數據標準化的方法：“最小—最大標準化”、“Z-score標準化”
1.最小—最大標準化
原理：將某一問項的原始值x通過標準化映射成在區間[0,1]中的值 ，其公式為：新數據=（原數據-極小值）/（極大值-極小值），也稱為離差標準化，是對原始數據的線性變換，使結果值映射到[0 - 1]之間
公式：標準化結果x'=（x-min）/(max-min), 其中x表示原始數據，min表示該指標的最小值，max表示該指標的最大值
spss操作：第一步—選定該指標包含的數據，點擊“分析”-“描述”—得到描述性統計結果，并可知道該指標的最小、最大、平均和標準差值 ，如下圖 ；第二部，點擊“轉換”—“計算”——輸入標準化后變量的名稱，輸入 最小—最大標準化的公式，如下圖——點擊確定——新的標準化結果出現在spss面板的指標右方
2.“Z-score標準化”
原理：通過原始數據的均值（mean）和標準差（standard deviation）進行數據的標準化，經過處理的數據符合標準正態分布，即均值為0，標準差為1，其標準化后的數值大小有正有負，如下圖中的標準正態分布曲線
適用范圍：問項數據的最大最小值不知道的情況下、有超出取值范圍的離群數據的情況、適用于不同量級數據的無量化處理
公式：新數據=（原數據-均值）/標準差
spss操作：點擊“分析”-“描述”—勾選z-score標準化處理，即可得結果
【補充說明】
數據標準化（歸一化）處理：
【專業解釋】不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到數據分析的結果，為了消除指標之間的量綱影響，需要進行數據標準化處理，以解決數據指標之間的可比性。原始數據經過數據標準化處理后，各指標處于同一數量級，適合進行綜合對比評價。歸一化化就是要把你需要處理的數據經過處理后（通過某種算法）限制在你需要的一定范圍內。首先歸一化是為了后面數據處理的方便，其次是保正程序運行時收斂加快。
【通俗的解釋】經過標準化處理，原始數據均轉換為無量綱化，數據無量綱化處理主要解決數據的可比性，即不同量級的數據通過標準化變為同一量級的數據，如用戶的搜索次數的量級為萬級的，而下載次數為百級，通俗地講，同一天內用戶對一首歌的搜索次數有幾萬次，而下載次數只有幾十次，將這兩個指標的數據標準化后，就變為同一個級別的數，比如均為【0,1】，就可以通過這兩個指標來討論和計算用戶對一首歌的喜歡程度，指標測評值，即各指標值都處于同一個數量級別上，可以進行綜合測評分析。
