關於資料格式處理，哪個敘述不正確？
原題
在進行資料分析時，會遇到類別型（Categorical）與數值型（Numerical）資料格式。關於這兩種資料格式的處理，下列敘述何者不正確？
白話
資料分析時會碰到兩種資料格式：類別型（如顏色、性別）和數值型（如身高、銷售額）。題目給出四個關於這兩種格式的處理方式敘述，其中有一個說法有錯。
問你：四個敘述中，哪一個說法是不正確的？
先自己選一個答案，再看完整解析。
一句話總結
選項 C 不正確：標準化（Standardization）確實讓平均值為 0、標準差為 1，但不會把資料壓縮到 0 至 1 之間。把資料壓縮到 [0,1] 的是 Min-Max 正規化，不是標準化。
情境
先感受問題：標準化跟正規化，差在哪
嘉誠科技的數據工程師阿仁，在處理員工績效資料：
業績（萬元）：80, 100, 150, 200, 300
年資（年）：1, 3, 5, 8, 15
兩個特徵的量綱差很多，直接拿去跑 KNN 模型，「業績差 220 萬」的影響會遠大於「年資差 14 年」。
他需要縮放這兩個特徵。有兩種主要方法：
- Min-Max 正規化（Min-Max Scaling）：把所有值壓縮到 [0, 1] 範圍內。結果保證在 0 到 1 之間。
- Z-score 標準化（Standardization）：把所有值轉成均值 0、標準差 1 的分佈。結果可以是負數、可以超過 1，沒有固定範圍。
這兩種方法的結果差很多，不能搞混。
舊方法
混淆標準化與 Min-Max 正規化時會遇到的問題
- 誤以為標準化結果在 [0,1]：Z-score 標準化的結果可以是任意實數（負無窮到正無窮），沒有固定範圍上限。如果期待結果在 [0,1]，應該用 Min-Max Scaling。
- 在有離群值時用錯方法：Min-Max Scaling 對離群值極度敏感，一個極端值會把所有其他值壓縮到接近 0。Z-score 標準化對離群值更穩健，但更穩健的是 Robust Scaling（用中位數和 IQR）。
- 誤解「標準差為 1」就等於「範圍在 1 以內」：標準差 = 1 代表「一個標準差的寬度是 1」，但正常資料通常有 Z 值超過 1 的點，絕對不是全部在 [0,1]。
- 不知道各方法適合的場合：深度學習常用 Min-Max；統計迴歸、SVM 常用 Standardization；有離群值時用 Robust Scaling。用錯方法效果會差很多。
- 忽略標準化要在訓練集 fit，測試集 transform：必須用訓練集的均值和標準差來縮放測試集，否則會有資料洩漏問題。
新方法
找出 C 選項錯在哪裡：多了「壓縮至 0 至 1」這個錯誤說法
逐句拆解選項 C：
- 「透過將資料平移與縮放」：正確，標準化確實做平移（減均值）和縮放（除標準差）。
- 「使其平均值為 0、標準差為 1」：正確，這是 Z-score 標準化的定義。
- 「可在多數距離型演算法中改善收斂速度」：正確，KNN、SVM 等距離型演算法受益於標準化。
- 「並同時將數值範圍壓縮至 0 至 1 之間」：這句話是錯的！
把資料壓縮到 [0, 1] 範圍的是 Min-Max 正規化，公式是：(x - min) / (max - min)。
Z-score 標準化的結果沒有固定範圍。業績 300 萬的 Z 值可能是 +1.8，業績 80 萬的 Z 值可能是 -1.2，都不在 [0, 1] 內。
這就是為什麼選項 C 不對：標準化（Standardization）透過將資料平移與縮放，使其平均值為 0、標準差為 1，可在多數距離型演算法中改善收斂速度，並同時將數值範圍壓縮至 0 至 1 之間，後半句「壓縮至 0 至 1」的說法是 Min-Max 的特性，不是 Standardization 的特性。
三種主要縮放方法的比較：
| 方法 | 公式 | 輸出範圍 | 適用場景 |
|---|---|---|---|
| Z-score 標準化 | (x - μ) / σ | (-∞, +∞)，通常 [-3, 3] | SVM、迴歸、PCA |
| Min-Max 正規化 | (x - min) / (max - min) | [0, 1] | 深度學習、圖像 |
| 穩健縮放（Robust Scaling） | (x - Q2) / IQR | 無固定範圍 | 有離群值時 |
from sklearn.preprocessing import StandardScaler, MinMaxScaler, RobustScaler X = [[80], [100], [150], [200], [300]] # 業績萬元 # Z-score 標準化 std = StandardScaler().fit_transform(X) # [[-1.26], [-0.84], [-0.0], [0.84], [1.26]] → 不在 [0,1]！ # Min-Max 正規化 mm = MinMaxScaler().fit_transform(X) # [[0.0], [0.09], [0.32], [0.55], [1.0]] → 確實在 [0,1] # Robust Scaling rb = RobustScaler().fit_transform(X) # [[-0.7], [-0.5], [0.0], [0.5], [1.5]] → 不在 [0,1]
注意：MUST 先 fit 訓練集，再 transform 測試集。絕不能在測試集上重新 fit（會用到測試集的均值/標準差，造成資料洩漏）。
錯選項
為什麼 A、B、D 是正確的（不是答案）
AOne-Hot Encoding 適合無序類別，但高基數會造成維度爆炸
字面在說什麼
One-Hot Encoding 會把每個類別變成一個新欄位（二元向量），類別越多、欄位越多。
為什麼是正確的
這個說法完全正確。One-Hot 確實適合無序類別（Nominal），也確實在高基數（High Cardinality，例如城市有 1000 個）時會造成維度爆炸（1000 個新欄位），所以是正確的敘述，不是答案。
誰會選錯
忘了題目問「不正確」而選了 A 的人。A 描述完全準確，在反向題要特別注意避開「感覺對」的選項。
BLabel Encoding 用於無序資料，會引入虛假大小關係
字面在說什麼
標籤編碼把無序類別換成整數，模型可能把整數的大小關係誤解為類別之間的順序。
為什麼是正確的
這也是完全正確的描述（這正是 q05 考的考點）。Label Encoding 用在無序類別上確實會引入虛假順序關係，所以 B 是正確敘述，不是答案。
誰會選錯
對 Label Encoding 記憶模糊、以為「把類別編成整數沒問題」的人，反而會以為 B 是錯的而選它。
D分箱提升可解釋性，但設計不當會有資訊損失或邊界偏誤
字面在說什麼
把連續變數（如年齡）分成幾個區間（20-30歲、30-40歲），讓模型更好解釋，但如果區間劃法不對，可能丟失資訊或在邊界附近的資料被錯誤歸類。
為什麼是正確的
分箱（Binning）確實能提升可解釋性（例如「高收入組」「中收入組」）；但如果區間劃分不依據資料分佈（例如不看分位數，隨意每 10 萬一個區間），確實會有資訊損失和邊界敏感性問題。所以 D 是正確的，不是答案。
誰會選錯
不熟悉分箱方法、以為「分箱只有好處沒有壞處」的人。分箱是 trade-off，說它「可能有問題」是正確的。
變形題
同個考點下次怎麼變形
標準化後最大值一定是 1 嗎？
答案
不一定是 1，也不一定在 [0,1]。標準化後的值是 Z-score，取決於每個資料點距離均值幾個標準差。如果有資料點的 Z 值是 +2.5，最大值就是 2.5。Z-score 沒有固定的上下界。
說 Min-Max 對離群值敏感，但為什麼？
答案
公式是 (x - min) / (max - min)，分母就是「最大值 - 最小值」。如果有一個極端離群值讓 max 變得很大，整個分母就會很大，把所有正常值都壓縮到接近 0 的極小範圍內。一個離群值就能毀掉整組資料的縮放效果。
有了 Z-score 和 Min-Max，為什麼還需要 Robust Scaling？
答案
資料有明顯離群值時。Robust Scaling 用中位數（Q2）和四分位距（IQR = Q3 - Q1）來縮放，這兩個指標對離群值不敏感。即使有極端值，中位數和 IQR 幾乎不受影響，縮放結果更穩健。
把連續值分成幾個箱子，怎麼決定箱子的範圍？
答案
等寬分箱（Equal-Width Binning）：每個箱子的數值範圍一樣寬，例如 [0-100], [100-200]。等頻分箱（Equal-Frequency/Quantile Binning）：每個箱子的資料筆數一樣多，依分位數分割。偏態分佈資料用等頻分箱比較合理，避免等寬分箱時某個箱子裡幾乎沒資料。
測試集可以直接用自己的均值標準差做 Z-score 嗎？
答案
不行，這會造成資料洩漏（Data Leakage）。正確做法是：用訓練集計算均值和標準差（fit），再用這個「訓練集的均值和標準差」來轉換測試集（transform）。這樣模型才是用訓練集的尺度來看測試集，模擬真實部署環境。如果測試集用自己的均值縮放，等於模型看到了測試集的統計特性，是作弊。
延伸
想再往下看，這 5 個
- 正規化（Normalization）
涵蓋 Min-Max、Z-score、Robust 等各種縮放方法，理解它們的差異是資料前處理的關鍵。 - 特徵縮放（Feature Scaling）
縮放特徵是機器學習前處理的必要步驟，影響距離型模型和梯度型模型的收斂速度。 - 獨熱編碼（One-Hot Encoding）
無序類別的標準編碼方法，與 Label Encoding 的使用時機是高頻考點。 - 標籤編碼（Label Encoding）
有序類別的編碼方法，用在無序類別上會產生虛假順序問題。 - 資料前處理（Data Preprocessing）
縮放、編碼、缺值填補都是資料前處理的環節，完整前處理流程是模型成功的基礎。