数据规范化（data normalization）是数据预处理的重要步骤，它可以将不同量纲、不同尺度的数据转换到相同的尺度上，以方便数据分析和处理。除了之前提到的Z-Score规范化（将原始数据转换为正态分布的形式）和Min-max规范化（将原始数据投射到指定的空间[min,max]）外，还有以下几种常用的数据规范化方法：

1. 小数定标规范化（Decimal Scaling Normalization）：通过移动小数点的位置来进行规范化。小数点移动的位数取决于该属性数据取值的最大绝对值。例如，属性A的取值范围是-800到70，那么就可以将数据的小数点整体向左移三位即[-0.8,0.07]。
2. 对数变换（Logarithmic Transformation）：将数据的自然对数转换成数据大小的比例，能有效处理数据值差异大的情况。例如，对于销售额、点击率等存在极大值的数据，可采用此种方法。
3. 空值处理（Dealing with Missing Data）：对于存在缺失值的情况，可以选择插值、均值、中位数等方法进行填充，也可以考虑使用随机森林等机器学习算法进行预测填充。
4. 标签编码（Label Encoding）：对于分类变量，可以将其转换为数值型，例如，将性别“男”和“女”转换为0和1。
5. 标准化（Standardization）：将数据按比例缩放，使之落入一个小的特定区间。标准化后的数据符合标准正态分布，即均值为0，标准差为1。例如，可以使用最大最小标准化或Z-score标准化。
6. 缩放（Scaling）：将每个元素减去均值，然后除以方差。

请注意，对于具体的数据分析项目，数据规范化的方法并不是单一存在的，往往需要根据具体的情况和需求选择多种方法进行组合使用。不同的规范化方法会对面后数据的分布、性质和特征产生不同的影响，因此选择合适的规范化方法需要根据实际的应用场景和目的来决定。