归一化是对原始范围内的数据进行重新缩放，以使所有值都在0和1的范围内。 当您的时间序列数据具有不同比例的输入值时，归一化可能是有用的，甚至在某些机器学习算法中也是必需的。对于算法，例如k-最近邻，它使用距离计算和线性回归和人工神经网络可能需要归一化。重量输入值。 标准化要求您知道或能够准确估计最小和最大可观察值。您可以从可用数据中估算这些值。如果您的时间序列趋势向上或向下，估计这些预期值可能会很困难，并且规范化可能不是用于解决问题的最佳方法。 值的规范化如下： y = (x - min) / (max - min) 其中最小值和最大值与值x被归一化有关。

标准化数据集涉及重新调整值的分布，以便观察值的平均值为0，标准差为1。 这可以被认为是减去平均值或使数据居中。 与标准化一样，当您的时间序列数据具有不同比例的输入值时，标准化可能是有用的，甚至在某些机器学习算法中也是必需的。 标准化假定您的观察结果符合高斯分布（钟形曲线），具有良好的平均值和标准偏差。如果不满足此期望，您仍然可以标准化时间序列数据，但可能无法获得可靠的结果。 这包括支持向量机，线性和逻辑回归等算法，以及其他假设或使用高斯数据提高性能的算法。 标准化要求您知道或能够准确估计可观察值的均值和标准差。您可以从训练数据中估算这些值。 值标准化如下： y = (x - mean) / standard_deviation 凡平均值的计算公式为： mean = sum(x) / count(x) 而standard_deviation计算如下： standard_deviation = sqrt( sum( (x - mean)^2 ) / count(x))

在时间序列数据预处理时，假设数据较为稳定，不存在极端值。此时，归一化和标准化，哪个更合适？并讲明这两种方法的优缺点，以及它们之间的差别。 如果时间序列数据较为稳定，不存在极端值，那么归一化和标准化都可以使用，但是归一化更为常用。这是因为归一化可以将每个时间序列的值缩放到相同的范围内，而标准化则将每个时间序列的值转换为标准正态分布，这可能会导致数据的偏移和缩放。

归一化的优点：

标准化的优点：

问：如果时间序列不符合正态分布或高斯分布，而是趋势性上升的曲线，那么在Kmeans训练之前的数据预处理，应该选择哪种处理方法，归一化[0,1]或[-1,1]，还是标准化 答：如果时间序列不符合正态分布或高斯分布，而是趋势性上升的曲线，我们可以考虑使用标准化来进行数据预处理。 标准化可以将数据转换为均值为0，标准差为1的分布，这样可以消除数据之间的量纲差异，使得不同特征的数据具有可比性。 相比之下，归一化只能将数据缩放到特定的范围，例如[0,1]或[-1,1]。 在这种情况下，由于数据之间的差异较大，使用归一化可能会导致聚类结果不准确。因此，我们建议在处理时间序列数据时使用标准化。 【小萌五分钟】机器学习 | 数据预处理之特征缩放 1、是什么为什么 2、归一化和标准化 3、两个细节

在 tslearn 中，常见的时间序列预处理方法包括：

标准化（Standardization）：对时间序列进行标准化处理，使其均值为 0，方差为 1，以消除不同时间序列之间的量纲差异。

缩放（Scaling）：对时间序列进行缩放处理，使其范围在 [0, 1] 或 [-1, 1] 之间，以消除不同时间序列之间的幅度差异。

平滑化（Smoothing）：对时间序列进行平滑化处理，以减小噪音和离群值的影响，常见的平滑化方法包括移动平均、指数平滑等。

差分（Differencing）：对时间序列进行差分处理，以消除其趋势和季节性，常见的差分方法包括一阶差分和二阶差分。

特征提取（Feature extraction）：从时间序列中提取有用的特征，以便于后续的分析和建模，常见的特征提取方法包括傅里叶变换、小波变换、时域特征提取等。

时间序列对齐（Time series alignment）：将不同时间序列进行对齐，以便于进行比较和分析，常见的对齐方法包括动态时间规整（Dynamic Time Warping，DTW）等。

以上是一些常见的时间序列预处理方法，你可以根据具体的需求选择合适的方法来进行处理。