1、数据规范化，即归一化的方法

常见方法：最小-规范化、z-score规范化、小数定标规范化

import pandas as pd
df=pd.DataFrame(A.data[:,3:6])
df.columns=A.feature_names[3:6]
#最小-规范化，支持矢量运算
(df-df.min())/(df.max()-df.min())
 
#使用sklearn中的preprocessing模块
from sklearn import preprocessing
preprocessing.minmax_scale(df)
 
#z-score规范化：结果=（数值-均值）/标准差，处理后数据的均值为0，标准差为1
(df-df.mean())/df.std()
 
#使用sklearn中的preprocessing模块
from sklearn import preprocessing
preprocessing.scale(df)
 
#小数定标规范化：常见落在[-1,1]区间，通过移动小数点的位数实现，移动位数取决于属性绝对值的值的位数
#ceil向上取整
import numpy as np
df/10**np.ceil(np.log10(df.abs().max()))

2、连续属性离散化

常见方法：分箱法（等宽法、等频法）、聚类

import pandas as pd
#等宽法,5个箱子，标签为0-4
pd.cut(df.AGE,5,label=range(5))
#等频法
pd.qcut(df.AGE,5,label=range(5))