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（基模型为逻辑回归）进行特征选择的python代码

以下是基于sklearn库的Python代码实现：

from sklearn.preprocessing import StandardScaler
from sklearn.feature_selection import RFECV
from sklearn.linear_model import LogisticRegression

# 假设df为数据框，特征列为features，标签列为label
X = df[features].values
y = df[label].values

# 对特征列进行归一化处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 选择基模型为逻辑回归的RFECV进行特征选择
estimator = LogisticRegression()
rfecv = RFECV(estimator, cv=5)
rfecv.fit(X_scaled, y)

# 输出特征选择结果
print("特征选择结果：")
print("选出特征数目: %d" % rfecv.n_features_)
print("特征排名：")
for i in range(len(features)):
    print("%d. %s" % (i+1, features[rfecv.ranking_[i]-1]))

其中，StandardScaler用于对特征列进行归一化处理，RFECV用于进行特征选择，LogisticRegression为基模型（也可根据需要更改为其他模型）。运行代码后，可输出特征选择结果，包括选出的特征数目和特征排名。