数据标准化和归一化都是数据预处理的方法，但二者有所区别。

数据标准化是将数据按比例缩放，使之落入特定区间，常用方法如Z-score标准化，它会使数据的均值为0，标准差为1。归一化则一般是将数据映射到[0,1]区间，常用的是Min - Max归一化。

在因子处理中，二者发挥着不同的作用。标准化能消除数据的量纲影响，让不同指标的数据具有可比性。例如，在构建因子模型时，若各因子量纲不同，经过标准化处理后，就能避免因量纲差异对因子分析结果产生干扰。同时，标准化后的数据更适合某些依赖于数据分布的算法，如基于正态分布假设的统计方法。

归一化能把数据缩放到一个较小且固定的范围，这有利于加快机器学习算法的收敛速度。在因子处理里，对于一些需要梯度下降等迭代优化算法的模型，归一化可以让参数更新更稳定、高效。而且，当数据存在异常值时，归一化能降低异常值对整体数据的影响，使因子分析结果更稳健。

总之，在因子处理中，若更关注数据分布和量纲消除，可选择标准化；若更注重数据范围和算法收敛速度，归一化则是较好的选择。