使用波士顿房价数据集，计算并输出样本数量、特征数量，选取其中两个特征进行标准化并进行可视化。（如果波士顿房价数据不可得，使用可以进行回归的数据集即可

首先，波士顿房价数据集是一个经典的机器学习数据集，它通常用于线性回归分析。在这个数据集中，样本数量指的是数据集中房屋实例的数量，特征数量则是指描述每个房屋的各种属性，如人口密度、犯罪率等。

假设我们已经有了这个数据集（例如scikit-learn库中的boston housing dataset），我们可以按照以下步骤操作：

1. 导入必要的库，包括pandas用于处理数据，numpy用于数值计算，matplotlib或seaborn用于数据可视化，以及sklearn加载数据集：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_boston

2. 加载数据集：

boston = load_boston()

3. 计算样本数量（房屋实例数）和特征数量（属性数量）：

sample_count = len(boston.data)
feature_count = boston.feature_names.__len__()
print(f"样本数量：{sample_count}")
print(f"特征数量：{feature_count}")

4. 选择两个特征进行标准化。这里假设我们选择了'CRIM'（犯罪率）和'ZN'（住宅区土地面积比例）作为例子：

features_to_standardize = ['CRIM', 'ZN']
X = boston.data[:, [boston.feature_names.index(feature) for feature in features_to_standardize]]
mean = X.mean(axis=0)
std_dev = X.std(axis=0)
X_scaled = (X - mean) / std_dev

5. 对标准化后的数据进行二维散点图可视化，展示这两个特征之间的关系：

plt.figure(figsize=(8,6))
for i in range(2):
    for j in range(i+1, 2):
        plt.scatter(X_scaled[:, i], X_scaled[:, j], label=boston.feature_names[features_to_standardize[i]])
plt.xlabel(boston.feature_names[features_to_standardize[0]])
plt.ylabel(boston.feature_names[features_to_standardize[1]])
plt.legend()
plt.title('标准化后的两个特征')
plt.show()