在机器学习中，平均数表示的是所有样本的平均值，也是所有样本的中心点。
平方差：所有样本到中心点距离的平方和
标准差：平方差/n得到平均平方差，然后再开根号。
numpy里有这些函数，
那么我们就可以知道了
平均数是这些数的中心，标准差是这些数到中心点的平均距离，表示的是这些点的离散程度，这个数越大，表示越离散。
X = np.array([1, 2, 3])
X.mean()
2.0
X.std()
0.816496580927726
什么情况怎么是0.8几，距离难道不是1吗？其实这里涉及一个知识，就是全体样本平方差还是样本平方差，全体平方差包括所有的元素，而样本平方差要排除中心点本身，也就是让全体样本中的中心点被排除在外。
也就是numpy里计算的是全体标准差，sqrt(((3-2)2+(1-2)2)/2)
从这个地方我们引入机器学习里边常说的标准问题
标准化就是让原始的数据格式化：
1、让平均值为0，让标准差(表示距离)为0
这个简单让每个值都减去平均值再除去标准差。
当时要注意一点，所谓的标准化，只能标准化一列，就是一个特征变量里的所有的数据。这样是让每个特征按照自己的比例进行标准化，但是不能和别列的数据进行混合，因为不同的列是不相关的数据，你如果做了标准化，就会让不同的列的数据也相关了，这个是有问题的。
