scale(data, center=T,scale=T)，由于默认值均为T，简写成scale（data）即可标准化，data就是你导入的数据集的名称
基于R语言的数据标准化处理脚本数据标准化（Normalization）
将数据按比例缩放，使之落入一个小的特定区间。去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。
数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。
数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。
数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。
min-max标准化（Min-max normalization）
也叫离差标准化，是对原始数据的线性变换，使结果落在[0,1]区间，转换函数如下：
正向指标：（x-min）/（max-min）
负向指标：（max-x）/（max-min）
其中max为样本数据的最大值，min为样本数据的最小值。这种方法有一个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。
R语言实现
# 标准化处理
min.max.norm <- function(x){
((x-min(x))/(max(x)-min(x)))
} #正向指标
max.min.norm <- function(x){
((max(x)-x)/(max(x)-min(x)))
} #负向指标
data_1 <- apply(data[,-c(3,4)],2,min.max.norm) #正向指标处理
data_2 <- apply(data[,c(3,4)],2,max.min.norm) #负向指标处理
#注意array只能用在二维及以上
data_t <- cbind(data_1,data_2)
使用apply函数apply(mat, 2, function(x)x/(mean(x)))测试运行结果：
>ma <- matrix(c(1:4, 1, 6:8), nrow = 2)
>ma
[,1] [,2] [,3] [,4]
[1,]1317
[2,]2468
>apply(ma, 2, function(x)x/(mean(x)))
[,1] [,2] [,3] [,4]
[1,] 0.6666667 0.8571429 0.2857143 0.9333333
[2,] 1.3333333 1.1428571 1.7142857 1.0666667
apply函数参数帮助。
apply(X, MARGIN, FUN, ...)
Arguments
X
an array, including a matrix.
MARGIN
a vector giving the subscripts which the function will be applied over. E.g., for a matrix 1 indicates rows, 2 indicates columns, c(1, 2) indicates rows and columns. Where X has named dimnames, it can be a character vector selecting dimension names.
FUN
the function to be applied: see ‘Details’. In the case of functions like +, %*%, etc., the function name must be backquoted or quoted.
...
optional arguments to FUN.
