问题详述：数据分析预处理的时候必须要把数据标准化吗？

解答：

要想了解上面的问题需要先明白为什么要进行数据标准化、什么时候要进行标准化以及标准化的原则

1、为什么要进行数据标准化？

在现实生活中，一个目标变量（y）可以认为是由多个特征变量（x）影响和控制的，那么这些特征变量的量纲和数值的量级就会不一样，比如x1 = 10000，x2 = 1，x3 = 0.5 可以很明显的看出特征x1和x2、x3存在量纲的差距；x1对目标变量的影响程度将会比x2、x3对目标变量的影响程度要大（可以这样认为目标变量由x1掌控，x2，x3影响较小，一旦x1的值出现问题，将直接的影响到目标变量的预测，把目标变量的预测值由x1独揽大权，会存在高风险的预测）而通过标准化处理，可以使得不同的特征变量具有相同的尺度（也就是说将特征的值控制在某个范围内），这样目标变量就可以由多个相同尺寸的特征变量进行控制，这样，在使用梯度下降法学习参数的时候，不同特征对参数的影响程度就一样了。比如在训练神经网络的过程中，通过将数据标准化，能够加速权重参数的收敛。
简而言之：对数据标准化的目的是消除特征之间的差异性，便于特征一心一意学习权重。

2、什么时候需要进行数据标准化，什么时候不需要进行数据标准化？

由（1）我们可以知道当原始数据不同维度上的特征的尺度（单位）不一致时，需要标准化步骤对数据进行预处理，反之则不需要进行数据标准化。
例如下面这几类问题一般都需要进行数据标准化：

3、标准化的原则

通用性

• 优先使用国际通用单词和用语

• 优先使用客户自身业务中常用的惯用语

• 优先使用客户自身定义且国内惯用的单词或用语

• 使用税务、法律、IT等行业的专业用语

• 考虑与外部机构的相互运行，最大限度地保持通用性

实用性

• 对实际的现行系统用语进行标准化，而不是理论上的标准化

• 避免出现难以理解或产生歧义的用语

• 从用语中能够直观地识别其含义，无需推测或类推

便利性

• 运用适合于客户自身运行环境的方法论及标准化指南