当然，如果数据不遵循（单一）正态分布，则永远不应盲目地对数据进行标准化。

例如，人们可能希望重新缩放为正常，但这只有在数据正常并且和对于所有数据点都相同的情况下才有效（例如不依赖于特定）。$X$$(X-\mu)/\sigma$$\mu$$\sigma$$\sigma$$\mu$$X$

是否可以对非正态数据集进行归一化取决于应用程序。例如，许多统计测试都需要数据标准化（即计算 z 分数、t 分数等）。有些测试在标准化非正态数据时更容易失败，而有些则更具抵抗力（“稳健”测试）。

一个不太可靠的统计数据是平均值，它对异常值（即非正态数据）很敏感。或者，中位数对异常值不太敏感（因此更稳健）。

当许多统计数据失败时，非正态数据的一个很好的例子是双模态分布数据。正因为如此，将数据可视化为频率分布（或者更好的是，测试正态性！）始终是一种很好的做法。

我认为这太明显了，直到我看到这个问题！

规范化数据时，请确保在规范化后始终可以访问原始数据。当然，如果你有充分的理由，你可以打破这条规则，例如存储。