最小-最大归一化通过公式(value - min)/(max - min)将数据缩放到[0,1]，sql中用窗口函数实现；z-score标准化使用(value-mean)/stddev，适用于正态分布数据；需处理null值和max=min时的除零异常，常设为0.5。
在 SQL 中进行数据归一化，通常使用数值函数对数据按一定规则缩放到指定范围，比如 [0, 1] 或 [-1, 1]。虽然 SQL 不像 Python 那样内置丰富的机器学习函数，但通过基础的算术运算和聚合函数，可以实现常见的归一化方法。
最小-最大归一化（Min-Max Normalization）
这是最常用的归一化方式，将原始数据线性映射到 [0, 1] 区间：
公式： (value - min) / (max - min)
在 SQL 中可以通过子查询或窗口函数实现：
SELECT
value,
(value - MIN(value) OVER()) * 1.0 /
(MAX(value) OVER() - MIN(value) OVER()) AS normalized_value
FROM data_table;
说明：使用 MIN() OVER() 和 MAX() OVER() 获取全局最值，乘以 1.0 是为了防止整数除法截断小数。
Z-score 标准化（Standard Score）
适用于需要保留数据分布特性的场景，将数据转换为均值为 0、标准差为 1 的分布：
公式： (value - mean) / standard_deviation
SELECT
value,
(value - AVG(value) OVER()) /
STDDEV(value) OVER() AS z_score
FROM data_table;
注意：此方法要求数据近似正态分布，在异常值较多时可能效果不佳。
处理 NULL 值与边界情况
归一化前应考虑数据质量问题：
- 使用 COALESCE(value, 0) 处理 NULL 值
- 当 max = min 时，分母为 0，结果为 NULL 或无穷大，需额外判断
SELECT
value,
CASE
WHEN MAX(value) OVER() = MIN(value) OVER() THEN 0.5
ELSE (value - MIN(value) OVER()) * 1.0 /
(MAX(value) OVER() - MIN(value) OVER())
END AS normalized_value
FROM data_table;
当所有值相等时，统一设为中间值 0.5，避免除零错误。
基本上就这些。SQL 实现归一化虽不如编程语言灵活，但在报表预处理或数据库内计算中非常实用，关键是掌握窗口函数与异常处理。不复杂但容易忽略细节。
