请举例说明sklearn preprocessing模块中的normalization函数的主要特征和关键点

`sklearn.preprocessing`模块中的`StandardScaler`或`MinMaxScaler`函数主要用于数据标准化或归一化，这是预处理中的一个重要步骤。它们的主要特征和关键点包括：

1. **Normalization**[^1]:

   from sklearn.preprocessing import StandardScaler
   scaler = StandardScaler()
   scaled_data = scaler.fit_transform(some_data)

`StandardScaler()`通过计算每个特征的均值和标准差，将数据转换成零均值和单位方差的数据。这对于数值型特征尤其重要，因为它消除了变量间的尺度差异。

2. **Min-Max Scaling**:

   from sklearn.preprocessing import MinMaxScaler
   scaler = MinMaxScaler()
   scaled_data = scaler.fit_transform(some_data)

`MinMaxScaler()`则将数据缩放到0到1的范围内，保持原始数据的相对比例关系。

3. **API设计**:
- **Consistency**: Sklearn的API保持一致，使得`fit`和`transform`方法清晰易懂。例如，调用`scaler.fit(data)`先拟合模型，`scaler.transform(data)`则用于对新数据进行转换。
- **Interpretable**: 参数易于理解，如`StandardScaler`的`with_mean=True`表示去除平均值，`with_std=True`表示除以标准差。
- **Built-in data and formats**: Sklearn内置多种数据处理工具，支持各种数据格式（如NumPy数组）。

关键点在于理解这些预处理器如何影响数据分布，选择适合特定任务的标准化方式，以及何时在训练集上执行`fit`操作，何时在测试集或新数据上执行`transform`操作。