資料标準化處理是資料分析的一項基礎工作，不同評價名額往往具有不同的量綱，資料之間的差别可能很大，不進行處理會影響到資料分析的結果。為了消除名額之間的量綱和取值範圍差異對資料分析結果的影響，需要對資料進行标準化處理，就是說，把資料按照比例進行縮放，使之落入一個特定的區域，便于進行綜合分析。
在繼續下文之前，先解釋三個個術語：
（1）所謂量綱，簡單來說，就是說資料的機關；有些資料是有量綱的，比如身高，而有些資料是沒有量綱的，例如，男女比例。無量綱化，是指去除資料的機關限制，将其轉化為無量綱的純數值，便于不同機關或者量級的名額能夠進行和權重。
（2）資料的标準化是指将資料按照比例縮放，使之落入一個特定的區間。
（3）歸一化是資料标準化中最簡單的方式，目的是把數變為（0，1）之間的小數，把有量綱的資料轉換為無量綱的純數量。
常用的歸一化方法主要有離差标準化和标準差标準化，r的scale()可以實作标準差标準化，也可以指定标準化之後資料的均值和标準差。
一，離差标準化
離差标準化是對原始資料進行線性變化，使數值映射到[0,1]區間中，轉換公式是：
離差标準化保留了原來資料中存在的關系，是消除量綱和資料取值範圍對資料分析産生影響的最簡單方法，缺點是如果資料集中，且某個數值很大，那麼标準化之後大部分值會接近于0，并且不會相差很大。
二，标準差标準化
經過該方法處理的資料的均值是0，标準差是1，轉化公式是：
這種方法基于原始資料的均值（mean）和标準差（standard deviation）對資料進行标準化，是用的最多的資料的标準化方法，但是，均值和标準差受離群點的影響很大。
三，scale()标準化
R語言通常使用scale()函數對矩陣或資料框按列對資料進行标準化：
scale(x, center = TRUE, scale = TRUE) 參數注釋：x是數值矩陣，當center=TRUE時，為資料對象x按列進行中心化；當scale=TRUE時，為資料對象x按列進行标準化。
- 中心化是把每個資料減去均值；
- 标準化是在中心化後的資料基礎上再除以資料的标準差；
預設情況下，center=TRUE，scale=TRUE，scale()函數首先把一組數的每個數都減去這組數的平均值，然後除以這組數的均方根。
如果scale=TRUE，而center=FALSE，那麼，scale()函數不會把一組數中的每個數減去平均值，而直接處以這組資料的均方根。
1，scale()函數的中心化和标準化
例如，向量v是數值向量，均值是 3，标準差是 1.581139：
v <- c(1,2,3,4,5)
v.mean <- mean(v)
s <- sd(v) 使用scale()函數進行中心化操作，每個向量原始都減去均值3：
> scale(v,center=TRUE,scale=FALSE)
[,1]
[1,] -2
[2,] -1
[3,] 0
[4,] 1
[5,] 2
attr(,"scaled:center")
[1] 3 使用scale()函數進行标準化操作，先減去均值，後除以均方根：
> scale(v,center=TRUE,scale=TRUE)
[,1]
[1,] -1.2649111
[2,] -0.6324555
[3,] 0.0000000
[4,] 0.6324555
[5,] 1.2649111
attr(,"scaled:center")
[1] 3
attr(,"scaled:scale")
[1] 1.581139 2，scale()函數的均值和标準差
預設情況下，使用scale()函數對矩陣或資料框的指定列進行均值為0，标準差為1的标準化操作：
mydata <-scale(mydata) 要對每一列進行任意均值和标準差的标準化，可以使用以下代碼，其中M是均值，SD是标準差：
mydata <scale(mydata) *SD + M