对data.npy分别采用均值-方差规范化处理和0-1规范化处理

数据规范化是将数值缩放到特定的范围，有助于减少特征间的量纲差异，提高模型训练效率。对于"data.npy"，我们通常有两种常见的规范化方法：

1. **均值-方差规范化（Mean-Variance Normalization, MVN)**: 也称为z-score标准化。这种方法将每个特征（每一列）减去其均值，然后除以其标准差。公式如下：
\[ x_{normalized} = \frac{x_i - \mu}{\sigma} \]
其中 \(x_i\) 是原始数据点，\( \mu \) 是该特征的均值，\( \sigma \) 是该特征的标准差。这样做可以使数据分布在-3到+3之间，假设大多数数据接近正态分布。

2. **0-1规范化（Min-Max Scaling, Minus One to One Scaling）**: 或者称为归一化，它将数据线性地映射到0到1的范围内。公式如下：
\[ x_{normalized} = \frac{x_i - min(x)}{max(x) - min(x)} \]
其中 \(min(x)\) 和 \(max(x)\) 分别是该特征的最小值和最大值。这使得数据集中在0和1之间。

实现这两个步骤可以用Python中的NumPy和pandas库：

import numpy as np
from sklearn.preprocessing import StandardScaler, MinMaxScaler

# 假设data = np.load('data.npy')

# 对于均值-方差规范化
scaler_mvn = StandardScaler()
data_normalized_mvn = scaler_mvn.fit_transform(data)

# 对于0-1规范化
scaler_01 = MinMaxScaler()
data_normalized_01 = scaler_01.fit_transform(data)

在这里，`fit_transform`先计算均值和标准差（或最小值和最大值），然后再进行转换。