编程实现对鸢尾花数据集（iris.csv）的4个特征进行标准化。（分别使用最小最大规范化、零均值规范化、小数定标规范化）。

在Python中，我们可以使用Pandas库来处理CSV文件中的数据，然后使用sklearn库中的preprocessing模块来进行特征标准化。这里我会展示如何使用最小最大规范化（Min-Max Scaling）、零均值规范化（Z-score Normalization），以及小数定标规范化（Decimal Scaling）。

1. **最小最大规范化 (Min-Max Scaling)**:

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

# 加载数据
data = pd.read_csv('iris.csv')

# 提取特征
features = data.iloc[:, :-1] # 假设最后一列是目标变量

# 初始化scaler
scaler = MinMaxScaler()

# 标准化
features_minmax = scaler.fit_transform(features)

2. **零均值规范化 (Z-score Normalization, Standardization)**:

from sklearn.preprocessing import StandardScaler

# 使用StandardScaler
scaler = StandardScaler()
features_zscore = scaler.fit_transform(features)

3. **小数定标规范化 (Decimal Scaling, Decimal Scaling by Power of 10)**:
这个通常用于将数值范围转换到固定的小数点后几位，比如四舍五入到两位小数。

def decimal_scaling(data, places=2):
    scaled_data = data * 10**places
    return scaled_data.round(places).astype(float) / 10**places

features_decimal = decimal_scaling(features)

完成以上步骤后，`features_minmax`、`features_zscore`和`features_decimal`分别是经过三种规范化后的特征数据。