本文程式碼均已在 MATLAB R2019b 測試通過，如有錯誤，歡迎指正。
一、資料規範化的原理
資料規範化處理是資料探勘的一項基礎工作。不同的屬性變數往往具有不同的取值範圍，數值間的差別可能很大，不進行處理可能會影響到資料分析的結果。為了消除指標之間由於取值範圍帶來的差異，需要進行標準化處理。將資料按照比例進行縮放，使之落入一個特定的區域，便於進行綜合分析。
（1）最小-最大規範化
假定min和max分別為屬性A的最小值和最大值，則通過下面公式將屬性A上的值v對映到區間[new_min, new_max]中的v’：
\[v'=\frac {v-min} {max-min}(new\_max-new\_min)+new\_min
\]
（2）零-均值規範化
將屬性A的值根據其平均值mean和標準差std進行規範化：
\[v'=\frac {v-mean} {std}
\]
（3）小數定標規範化
通過移動屬性A的小數點位置進行規範化，小數點的移動依賴於A的最大絕對值：
\[v'=\frac {v} {10^j}
\]
其中，j是使 Max(| v' |)<1的最小整數。
二、Matlab程式碼實現
1.最小-最大規範化
Matlab的程式碼可以寫簡單一點，不用像C++那樣寫兩個for迴圈。
mi=min(A)預設求矩陣A每列的最小值，返回一個行向量mi。repmat(mi,n,1)重複mi，重複行n次，重複列1次，從而形成與A相同大小的矩陣。./可直接將兩個矩陣所有相同位置的元素相除（不用寫兩個for迴圈）。
clear;clc;
%% 資料存入A
A=[78 521 602 2863
144 -600 -521 2245
95 -457 468 -1283
69 596 695 1054
190 527 691 2051
101 403 470 2487
146 413 435 2571];
fprintf("原資料："); A
new=input("請輸入需要對映到的新區間。輸入格式示例：[0,1]\n");
new_mi=new(1);
new_mx=new(2);
[n,m]=size(A);
mi=min(A); % 求出A每列的最小值，形成行向量mi（不用for迴圈）
mx=max(A); % 求出A每列的最大值，形成行向量mx
mi=repmat(mi,n,1); % 將矩陣mi重複，行n次，列1次，調整到與A相同大小（之後就不用for迴圈了）
mx=repmat(mx,n,1); % 將矩陣mx重複，行n次，列1次，調整到與A相同大小
B=(A-mi)./(mx-mi)*(new_mx-new_mi)+new_mi; % ./的含義是將兩個矩陣所有相同位置的元素相除
fprintf("\n經過最小最大規範化後："); B
Matlab也有現成的mapminmax()函式直接實現最小-最大規範化：
B1=mapminmax(A')'; % 每列規範化到[-1,1]
B2=mapminmax(A',0,1)'; % 每列規範化到[0,1]
解釋一下：
mapminmax()函式，預設按行最小最大規範化到[-1,1]。- 由於預設是按行，如果要按列規範化，傳參時需將A進行轉置，將
mapminmax()函式返回的結果再轉置一下即可。 B2=mapminmax(A',0,1)'，後面加上兩個參數列示新區間的左右端點。
程式碼執行結果
輸入的新區間範圍為[0,1]：
原資料：
A =
78 521 602 2863
144 -600 -521 2245
95 -457 468 -1283
69 596 695 1054
190 527 691 2051
101 403 470 2487
146 413 435 2571
請輸入需要對映到的新區間。輸入格式示例：[0,1]
[0,1]
經過最小最大規範化後：
B =
0.0744 0.9373 0.9235 1.0000
0.6198 0 0 0.8509
0.2149 0.1196 0.8133 0
0 1.0000 1.0000 0.5637
1.0000 0.9423 0.9967 0.8041
0.2645 0.8386 0.8150 0.9093
0.6364 0.8470 0.7862 0.9296
2.零-均值規範化
clear;clc;
%% 資料存入A
A=[78 521 602 2863
144 -600 -521 2245
95 -457 468 -1283
69 596 695 1054
190 527 691 2051
101 403 470 2487
146 413 435 2571];
A_mean=mean(A); % mean求的是每列的均值
A_std=std(A); % std求的是每列的標準差
[n,m]=size(A);
B=(A-repmat(A_mean,n,1))./repmat(A_std,n,1);
fprintf("原資料："); A
fprintf("經過零均值規範化後："); B
Matlab也有現成的zscore()函式直接實現零-均值規範化：
[B,A_mean,A_std]=zscore(A); % 返回按列進行零均值規範化後的矩陣、每列均值、每列標準差
B=zscore(A); % 只返回按列進行零均值規範化後的矩陣
程式碼執行結果
原資料：
A =
78 521 602 2863
144 -600 -521 2245
95 -457 468 -1283
69 596 695 1054
190 527 691 2051
101 403 470 2487
146 413 435 2571
經過零均值規範化後：
B =
-0.9054 0.6359 0.4645 0.7981
0.6047 -1.5877 -2.1932 0.3694
-0.5164 -1.3040 0.1474 -2.0783
-1.1113 0.7846 0.6846 -0.4569
1.6571 0.6478 0.6752 0.2348
-0.3791 0.4018 0.1521 0.5373
0.6504 0.4216 0.0693 0.5956
3.小數定標規範化
clear;clc;
A=[78 521 602 2863
144 -600 -521 2245
95 -457 468 -1283
69 596 695 1054
190 527 691 2051
101 403 470 2487
146 413 435 2571];
mx=max(abs(A)); % 求每列絕對值最大的數mx
len=floor(log10(mx))+1; % 求mx的位數len
B=A./(10.^len); % 將A中每個元素除以10^len
fprintf("原資料："); A
fprintf("經過小數定標規範化後："); B
程式碼執行結果
原資料：
A =
78 521 602 2863
144 -600 -521 2245
95 -457 468 -1283
69 596 695 1054
190 527 691 2051
101 403 470 2487
146 413 435 2571
經過小數定標規範化後：
B =
0.0780 0.5210 0.6020 0.2863
0.1440 -0.6000 -0.5210 0.2245
0.0950 -0.4570 0.4680 -0.1283
0.0690 0.5960 0.6950 0.1054
0.1900 0.5270 0.6910 0.2051
0.1010 0.4030 0.4700 0.2487
0.1460 0.4130 0.4350 0.2571