列举数据变换的两种方法 分别是

数据变换是指将原始数据转化为适合特定分析或应用的形式。常见的两种数据变换方法是标准化和归一化。

标准化通过减去均值并除以标准差，将数据转化为具有零均值和单位方差的分布。

这种方法适用于需要消除不同变量之间的量纲差异的情况。

归一化是将数据缩放到0和1之间的范围内，常用的方法有最小-最大缩放和Z-Score归一化。

归一化可以使得不同变量具有相同的尺度，便于比较和分析。这两种方法在数据预处理和机器学习中广泛应用。

数据转换是指将数据从一种表示形式变为另一种表现形式的过程。

数据变换的方法

　　数据变换主要找到数据的特征表示，用维变换成转换方法减少有效变量的数目或找到数据的不变式，包括规格化、归约、切换、旋转和投影等操作。

　　规格化指将元组集按规格化条件进行合并，也就是属性值量纲的归一化处理。规格化条件定义了属性的多个取值到给定虚拟值的对应关系。对于不同的数值属性特点，一般可以分为取值连续和取值离散的数值规格化问题；归约指将元组按语义层次纠构进行合并。语义层次结构定义了元组属性值之间的IS—A语义关系。规格化和归约能大量减少元组数量，提高计算效率。同时也提高了数据挖掘的起点。使得一个算法能够发现多层次的知识，适应不同应用的需要。 还可以用多维立方体(Data Cube)来组织数据，采用数据仓库技术中的切换、旋转和投影技术，把初始的数据集按照不同的层次、粒度和维度进行抽象和泛化，从而生成不同抽象级别上的数据集。

　　数据转换包含以下处理内容：

　　(1)平滑处理。该过程帮助除去数据中的噪声，主要技术方法有：Bin方法、聚类方法和回归方法。

　　(2)合计处理。对数据进行总结或合计(Aggregation)操作。例如：每天销售额(数据)可以进行合计操作以获得每月或每年的总额。这样操作常用于构造数据立方体或对数据进行多细度的分析。

　　(3)数据泛化处理(Gencralization)。所谓泛化处理就是用更抽象(更高层次)的概念来取代低层次或数据层的数据对象。例如；街道属性，就可以泛化到更高层次的概念，如：城市、国家。同样对于数值型的属性，如年龄属性，就时以映射到吏高层次概念，加：年轻、中年和老年。

　　(4)规格化。规格化就是将有关属性数据技比例投射到特定小范围之中。如将工资收入属性值映射到-0.1-1.0。