这一节讲数据标准化的其中一种处理方法。

       故事要从，看到以下左图开始讲起，之前我们为了说明特异性一般都是用以下右图的表示方法，看起来就比较boring。左边这种叫做正交图，一个简单的图片就蕴含了很大的信息量有木有，用四种检测体系检测四种靶标，通过二维正交图良好地展示了方法的特异性，右图表示用一种检测体系检测x种靶标，形成一维柱状图，左图（摘自周小明教授团队文章）就赤果果地碾压了右图的信息含量好吗！整整多了一个维度！这也能更好地验证方法的特异性，所以我开始琢磨如何整个左图出来。

       首先是实验设计，那很简单，依葫芦画瓢，设计针对不同靶标的检测体系，然后分别检测这些靶标，出来的实验结果如下左图所示，从数据上看来不错，几乎是只对正确的靶标有明显的信号。兴高采烈地画个热图（如下右图所示），横轴表示靶标，纵轴表示检测体系，但我感觉有点懵逼，这不像别人的那么美观啊！数据也挺好的，怎么会这样呢...

       我想到了数据标准化，因为每个检测体系性能不一样，所以展示的值不在同一水品，如果用同一个体系（比如从0到1，0表示最弱，1表示最强）来表示信号强度，那估计能更好地体现不同检测体系的特异性。

       以下是3种不同的数据标准化处理方法，我认为我这种情况最适合的是第一种，请大家按需自取。

一、Min-max 标准化

       min-max标准化方法是对原始数据进行线性变换。设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为：

新数据=（原数据-最小值）/（最大值-最小值）

二、z-score 标准化

       这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x'。

        z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。

新数据=（原数据-均值）/标准差

三、Decimal scaling小数定标标准化

        这种方法通过移动数据的小数点位置来进行标准化。小数点移动多少位取决于属性A的取值中的最大绝对值。将属性A的原始值x使用decimal scaling标准化到x'的计算方法是：

x'=x/(10^j)

        在四组检测体系分别计算其标准化数值，然后再画热图，这样是不是看起来好多啦！

       偷偷告诉你，其实不是的哦，刚开始画的热图，是这样，这样，这样的！

       所以下一节讲，如何画一张美丽的热图~

参考文献：Tian T, Shu B, Jiang Y, Ye M, Liu L, Guo Z, Han Z, Wang Z, Zhou X. An Ultralocalized Cas13a Assay Enables Universal and Nucleic Acid Amplification-Free Single-Molecule RNA Diagnostics. ACS Nano. 2021 Jan 26;15(1):1167-1178. doi: 10.1021/acsnano.0c08165. Epub 2020 Dec 17. PMID: 33498106.