转自https://blog.csdn.net/shouji111111/article/details/88675289
一、中心化、标准化、归一化简单描述
意义：数据中心化和标准化在回归分析中是取消由于量纲不同、自身变异或者数值相差较大所引起的误差。
原理：
数据标准化：是指数值减去均值，再除以标准差；
数据中心化：是指变量减去它的均值；
归一化：把数变为（0，1）之间的小数。
二、中心化处理
数据的中心化是指原数据减去该组数据的平均值，经过中心化处理后，原数据的坐标平移至中心点（0,0），该组数据的均值变为0，以此也被称为零均值化。
上图为得到的两个新的中心化处理的变量。我们把这两个变量和新变量的描述性统计数据输出，查看它们的变化结果。
可以发现，它们的最大值和最小值都发生了改变，并且新变量的均值均为0，这是因为新的两个变量都用变量中的每个值减去均值，所以均值为0，而且我们可以发现它们的标准差和方差都没有发生变化，说明这个数据的形态和分布情况是没有发生改变的，只是平均值进行了移动。
三、标准化处理
大型数据分析项目中，数据来源不同，量纲及量纲单位不同，为了让它们具备可比性，需要采用标准化方法消除由此带来的偏差。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。这就是数据标准化。
基本原理：数值减去平均值，再除以其标准差，得到均值为0，标准差为1的服从标准正态分布的数据。
在SPSS中，使用最多的就是Z-score标准化（0-1标准化）方法，这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1。
在分析中选择描述统计，接着选择描述。选择所要标准化的变量。在下面勾选将标准化值另存为变量
四、归一化处理
归一化方法：
把数变为（0，1）之间的小数
主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速
把有量纲表达式变为无量纲表达式，成为纯量。归一化，也算是数据标准化方法之一。常见的计算公式如下，得到新数据范围在[0,1]之间，归一化由此得名。
公式
我们可以看到，归一化后，新数据范围在[0,1]之间。
