在数据预处理中，常用的数据标准化方法主要包括但不限于以下几种：

1、极差标准化法(Min-Max Scaling)

这种方法通过将数据按比例缩放，使之落入一个特定的区间，通常是[0, 1]。计算公式为X' = (X - Xmin) / (Xmax - Xmin)。这种方法的优点是处理后的数据便于比较，且不受量级影响;缺点是当有新数据加入时，可能需要重新定义区间并计算。

2、Z-Score标准化法(Standardization)

这种方法通过减去均值并除以标准差，使数据符合标准正态分布，即均值为0，标准差为1。公式为x_i^* = (x_i - μ) / σ。它的优点是计算简单，能够消除量级的影响;缺点是在数据量较大时需要使用样本均值和标准差代替总体均值和标准差，可能会引起分析结果的差异，且较大程度上改变了数据的原始意义。

3、小数定标规范化

这种方法通过移动数据的小数点来进行标准化，适用于处理特别大或特别小的数据值，使其落在一个较小的区间内，如[-1, 1]。

4、十进制位移标准化

这种方法基于数据的最大绝对值，通过除以最大绝对值的适当次方来标准化数据。

需要注意的是，在选择标准化方法时，需要考虑数据的特性和分析需求。例如，如果数据分布近似正态分布，Z-Score标准化可能更为合适;而如果关注变量之间的相对大小，极差标准化可能更加适用。每种方法都有其优缺点，选择合适的方法对于数据分析的结果有着重要影响。