数据标准化并不适用于所有变量，它主要适用于那些在不同尺度下测量的变量。例如，如果你的数据集包含了身高（以厘米为单位）和体重（以千克为单位）两个变量，那么这两个变量的尺度是不同的，这时就可以使用数据标准化来消除尺度的影响。另外，一些机器学习算法，如支持向量机（SVM）和K均值聚类，通常要求输入数据是标准化的，因此在使用这些算法时，数据标准化也是非常有必要的。
然而，并不是所有的变量都需要进行标准化。例如，虚拟变量（哑变量）通常不需要标准化，因为它们已经是以二进制形式表示，不存在尺度的问题。另外，如果你的数据集中的变量已经在相同的尺度下测量，那么也就没有必要进行数据标准化了。
在实际操作中，进行数据标准化的方法有很多种，比如Z-score标准化、最小-最大标准化等。选择合适的标准化方法需要根据具体的数据情况来决定，以确保在数据预处理过程中不会引入额外的偏差。
总的来说，数据标准化并不适用于所有变量，而是针对那些在不同尺度下测量的变量，以消除尺度的影响和满足某些算法的要求。在实际操作中，需要根据具体的数据情况来决定是否进行数据标准化，以及选择合适的标准化方法。