scaler_mms = MinMaxScaler() result_mms = scaler_mms.fit_transform(data_rn)

你提供的代码片段使用了`sklearn.preprocessing`库中的`MinMaxScaler`类来进行数据归一化。这是一种常见的数据预处理方法。`fit_transform()`方法将原始数据作为输入，并返回通过最小-最大缩放方法归一化后的结果。

请注意，这里的`data_rn`是你的原始数据（可能是一个多列数组），而`scaler_mms`是`MinMaxScaler`类的一个实例。以下是一个完整的示例代码：

from sklearn.preprocessing import MinMaxScaler
import numpy as np

# 示例数据
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 创建MinMaxScaler实例并进行数据归一化
scaler_mms = MinMaxScaler()
result_mms = scaler_mms.fit_transform(data)

print(result_mms)

在这个示例中，我们导入了`MinMaxScaler`类，并创建了一个名为`scaler_mms`的实例。然后，我们使用`fit_transform()`方法将原始数据`data`作为输入进行归一化处理，并将结果保存在变量`result_mms`中。

最后，我们打印出归一化后的结果。输出将是一个与原始数据大小相同的数组，其中每个元素都被缩放到0到1之间。

你可以根据自己的需求修改示例代码来适应你的情况，如修改原始数据`data`或添加更多的自定义设置。