參考：
http://mp.weixin.qq.com/s?__biz=MjM5MTQzNzU2NA==&mid=2651647587&idx=2&sn=d0d3a69ce141f4015d6e0320048fbe63&chksm=bd4dc9f08a3a40e6eb2056107db353b4b657077ef8d3f999c757a70c97802a2de35241298abe&mpshare=1&scene=1&srcid=0323iBzLDEcUEEDRMZUsho68#rd
http://blog.csdn.net/lizhengnanhua/article/details/8982968
1. 空缺值：忽略該記錄；去掉屬性；手工填寫空缺值；使用默認值；使用平均值；預測最可能的值。
2. 連續值：離散化。有的模型（如決策樹）需要離散值
3. 離散值: OneHot編碼。有的離散特徵如顏色需OneHot編碼。
4. 對定量特徵二值化。核心在於設定一個閾值，大於閾值的賦值爲1，小於等於閾值的賦值爲0。如圖像操作
5. 噪聲：平滑，有按平均值平滑、按邊界值平滑和按中值平滑。
6. 歸一化：將數據按比例縮放，使這些數據落入到一個較小的特定的區間之內。概率模型不需要歸一化，因爲它們不關心變量的值，而是關心變量的分佈和變量之間的條件概率，如決策樹、rf、gbdt、xgboost。而像svm、lr、KNN、KMeans之類的最優化問題就需要歸一化。
a.最小最大縮放
b.Z-score標準化。讓數據服從基於 μ=0 和 σ=1的標準正態分佈
7. 標籤編碼：把字符類別特徵編碼成數值類型，如紅綠藍編碼爲0、1、2最小最大縮放：
當使用基於距離的算法時，我們必須嘗試將數據縮放，這樣較不重要的特徵不會因爲自身較大的範圍而主導目標函數。如KNN。
在邏輯迴歸中，每個特徵都被分配了權重或係數(Wi)。如果某個特徵有相對來說比較大的範圍，而且其在目標函數中無關緊要，那麼邏輯迴歸模型自己就會分配一個非常小的值給它的係數，從而中和該特定特徵的影響優勢，而基於距離的方法，如KNN，沒有這樣的內置策略，因此需要縮放。
Z-score標準化:
很多的機器學習技巧/模型（例如L1，L2正則項，向量空間模型-Vector Space Model，歐幾里得距離測量的KNN、k-均值、SVM、感知器、神經網絡、線性判別分析、主成分分析）都基於這樣的假設：所有的屬性取值都差不多是以0爲均值且取值範圍相近的，標準化數據幫助我們提高預測模型的精度。
備註：在縮放和標準化中二選一是個令人困惑的選擇，你必須對數據和要使用的學習模型有更深入的理解，才能做出決定。對於初學者，你可以兩種方法都嘗試下並通過交叉驗證精度來做出選擇。