数据化实现方法(数据标准化的几种方法)
1.数据标准化的几种方法
方法一：规范化方法
也叫离差标准化，是对原始数据的线性变换，使结果映射到[0,1]区间。
方法二：正规化方法
这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x'。
z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
spss默认的标准化方法就是z-score标准化。
用Excel进行z-score标准化的方法：在Excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。
步骤如下：
1.求出各变量（指标）的算术平均值（数学期望）xi和标准差si ;
2.进行标准化处理：
zij=(xij-xi)/si
其中：zij为标准化后的变量值；xij为实际变量值。
3.将逆指标前的正负号对调。
标准化后的变量值围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。
2.数据分析方法有哪些
一、描述性统计
描述性统计是一类统计方法的汇总，揭示了数据分布特性。它主要包括数据的频数分析、数据的集中趋势分析、数据离散程度分析、数据的分布以及一些基本的统计图形。
1、缺失值填充：常用方法有剔除法、均值法、决策树法。
2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以在做数据分析之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。
二、回归分析
回归分析是应用极其广泛的数据分析方法之一。它基于观测数据建立变量间适当的依赖关系，以分析数据内在规律。
1. 一元线性分析
只有一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。
2. 多元线性回归分析
使用条件：分析多个自变量X与因变量Y的关系，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。
3.Logistic回归分析
线性回归模型要求因变量是连续的正态分布变量，且自变量和因变量呈线性关系，而Logistic回归模型对因变量的分布没有要求，一般用于因变量是离散时的情况。
4. 其他回归方法：非线性回归、有序回归、Probit回归、加权回归等。
三、方差分析
使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。
1. 单因素方差分析：一项试验只有一个影响因素，或者存在多个影响因素时，只分析一个因素与响应变量的关系。
2. 多因素有交互方差分析：一顼实验有多个影响因素，分析多个影响因素与响应变量的关系，同时考虑多个影响因素之间的关系
3. 多因素无交互方差分析：分析多个影响因素与响应变量的关系，但是影响因素之间没有影响关系或忽略影响关系
4. 协方差分祈：传统的方差分析存在明显的弊端，无法控制分析中存在的某些随机因素，降低了分析结果的准确度。协方差分析主要是在排除了协变量的影响后再对修正后的主效应进行方差分析，是将线性回归与方差分析结合起来的一种分析方法。
四、假设检验
1. 参数检验
参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数（如均值、百分数、方差、相关系数等）进行的检验 。
2. 非参数检验
非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一般性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。
适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。
1）虽然是连续数据，但总体分布形态未知或者非正态；
2）总体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；
主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。
3.数值程序化的方法有什么
处理工程数据一般有三种方法：数据程序化处理、数据文件化处理、
数据库处理。
数据程序化处理的优点是：充分将数据与程序结合在了一起。其缺点是数据无法共享，增加了程序的长度。
数据文件化处理的优点是：数据与程序作了初步的分离，实现了有条件的共享。其缺点有四点：①文件只能表示事物而不能表示事物之间的联系；②文件较长；③数据与应用程序之间仍有依赖关系；④安全性和保密性较差。
数据库处理的优点是：①数据共享，②数据集中，安全性和保密性好。③数据结构化，既表示了事物，又表示了事物之间的联系。其缺点是：数据与应用程序无关联。
4.数据标准化的几种方法
方法一：规范化方法也叫离差标准化，是对原始数据的线性变换，使结果映射到[0,1]区间。
方法二：正规化方法这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x'。
z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。spss默认的标准化方法就是z-score标准化。
用Excel进行z-score标准化的方法：在Excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。步骤如下：1.求出各变量（指标）的算术平均值（数学期望）xi和标准差si ;2.进行标准化处理：zij=(xij-xi)/si其中：zij为标准化后的变量值；xij为实际变量值。
3.将逆指标前的正负号对调。标准化后的变量值围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。
5.测试质量实现数据化管理是指哪些方面呢,通过什么方法进行的
对于专业的测试公司，类似TestBird这样的，做测试是会有对应的计划的，类似于项目组的计划。测试完成率，通过率，激活问题率，修复率，高问题模块top，规划安全级别等在测试计划里是以子任务形式的。
数据化管理主要是每周对于新增问题，未fixed问题，阻断问题数量，剩余问题数量，热门问题，每周测试密度变化等，根据项目紧缩性，对一些bug修复率进行管理，设置逾期时间，跟踪热门问题。
定期会对二周内不可复现问题和争议的问题进行管理，做测试收敛。
专项测试采集数据，每个版本和之前版本做基准测试。
6.常见的数据标准化方法和其公式以及优缺点
一、直线型无量纲化方法：又包括阀值法、指数法、标准化方法、比重法。
二、折线型无量纲化方法：凸折线型法、凹折线型法、三折线型法。三、曲线型无量纲化方法 。
目前常见的无量纲化处理方法主要有极值化、标准化、均值化以及标准差化方法，而最常使用的是标准化方法。但标准化方法处理后的各指标均值都为0，标准差都为1，它只反映了各指标之间的相互影响，在无量纲化的同时也抹杀了各指标之间变异程度上的差异，因此，标准化方法并不适用于多指标的综合评价中。
而经过均值化方法处理的各指标数据构成的协方差矩阵既可以反映原始数据中各指标变异程度上的差异，也包含各指标相互影响程度差异的信息。四、数据标准化的方法： 1、对变量的离差标准化离差标准化是将某变量中的观察值减去该变量的最小值，然后除以该变量的极差。
即 x'ik=[xik -Min (xk)]/Rk 经过离差标准化后，各种变量的观察值的数值范围都将在〔0,1〕之间，并且经标准化的数据都是没有单位的纯数量。离差标准化是消除量纲（单位）影响和变异大小因素的影响的最简单的方法。
有一些关系系数（例如绝对值指数尺度）在定义时就已经要求对数据进行离差标准化，但有些关系系数的计算公式却没有这样要求，当选用这类关系系数前，不妨先对数据进行标准化，看看分析的结果是否为有意义的变化。 2，对变量的标准差标准化标准差标准化是将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。
即 x'ik = (xik - )/sk 经过标准差标准化后，各变量将有约一半观察值的数值小于0，另一半观察值的数值大于0，变量的平均数为0，标准差为1。经标准化的数据都是没有单位的纯数量。
对变量进行的标准差标准化可以消除量纲（单位）影响和变量自身变异的影响。但有人认为经过这种标准化后，原来数值较大的的观察值对分类结果的影响仍然占明显的优势，应该进一步消除大小因子的影响。
尽管如此，它还是当前用得最多的数据标准化方法。 3，先对事例进行标准差标准化，再对变量进行标准差标准化第一步，先对事例进行标准差标准化，即将某事例中的观察值减去该事例的平均数，然后除以该事例的标准差。
即 x'ik = (xik - )/si 第二步，再对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即 x''ik = (x'ik - 'k)/s'k 使用这种标准化的目的也在于消除性状间的量纲（单位）影响和变异大小因子的影响，使性状间具有可比性。
4，先对变量、后对事例、再对变量的标准差标准化这种标准化的目的也在于消除性状间的量纲（单位）影响和变异大小因子的影响，使性状间具有可比性。具体做法是：第一步，先对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。
即 x'ik = (xik - )/sk 第二步，后对事例进行标准差标准化，即将某事例中的观察值减去该事例的平均数，然后除以该事例的标准差。即 x''ik = (x'ik - 'i)/s'i 第三步，再对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。
即 x'''ik = (x''ik - ''k)/s''k 进行了前两步之后，还要进行第三步的原因，主要是为了计算的方便。
7.数据分析的方法有哪些
处理工程数据一般有三种方法：数据程序化处理、数据文件化处理、数据库处理。
数据程序化处理的优点是：充分将数据与程序结合在了一起。其缺点是数据无法共享，增加了程序的长度。
数据文件化处理的优点是：数据与程序作了初步的分离，实现了有条件的共享。其缺点有四点：①文件只能表示事物而不能表示事物之间的联系；②文件较长；③数据与应用程序之间仍有依赖关系；④安全性和保密性较差。
数据库处理的优点是：①数据共享，②数据集中，安全性和保密性好。③数据结构化，既表示了事物，又表示了事物之间的联系。
其缺点是：数据与应用程序无关联。
