1. 计算平均值（Mean）： 对于给定的数据集，计算所有数据的平均值。 2. 计算标准差（Standard Deviation）： 计算数据的标准差，它是数据离平均
值的平均距离。标准差越大，数据的波动越大。 步骤2: 计算 Z-score
对于每个数据点，使用以下公式计算 Z-score：
𝑍=
其中， ▪ ▪ ▪
𝑋 是单个数据点的值。 Mean 是数据集的平均值。
Standard Deviation 是数据集的标准差。
(𝑋−Mean)
Standard Deviation
步骤3: 解释 Z-score
Z-score 表示了数据点相对于平均值的位置，以及它在数据集中的波动程度。这个值告诉我们数据点距离平均值的距离是标准差的几倍。 ▪ ▪ ▪
𝑍>0：数据点高于平均值。 𝑍<0：数据点低于平均值。 𝑍=0：数据点等于平均值。
通俗例子：
假设你有一个考试成绩的数据集，平均分是 70 分，标准差是 10 分。学生小明的分数是 80 分。
(80−70)𝑍==1
10这意味着小明的分数高于平均值一个标准差。通过 Z-score，我们可以更好地理解小明的分数相对于整个班级的位置。
总体来说，Z-score 标准化法有助于消除不同测量尺度带来的影响，使得不同数据集之间更容易进行比较和分析。
因篇幅问题不能全部显示，请点此查看更多更全内容