请帮我写一段对df表所有特征列进行归一化处理，标签列为连续型变量，再对处理后的特征使用 RFECV（采用多种基模型）进行特征选择的python代码

好的，下面是代码示例：

# 导入需要的库
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.feature_selection import RFECV
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor

# 读取数据
df = pd.read_csv('your_data.csv')

# 分离标签列和特征列
X = df.drop('label', axis=1)
y = df['label']

# 归一化处理特征列
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 定义多个基模型
models = [LinearRegression(), DecisionTreeRegressor(), RandomForestRegressor()]

# 使用RFECV进行特征选择
rfecv = RFECV(estimator=RandomForestRegressor(), cv=5)
rfecv.fit(X_scaled, y)

# 输出特征选择结果
print("Optimal number of features : %d" % rfecv.n_features_)
print("Selected features: ", X.columns[rfecv.support_])

以上代码中，我们首先使用 `StandardScaler()` 对特征列进行归一化处理，然后定义了多个基模型，包括线性回归模型、决策树模型和随机森林模型。最后，我们使用 `RFECV()` 进行特征选择，并输出了特征选择结果。在 `RFECV()` 中，我们传入了 `estimator` 参数，即我们要使用的基模型，以及 `cv` 参数，即交叉验证的折数。特征选择的结果可以通过 `n_features_` 属性和 `support_` 属性获得。