请举例讲解sklearn preprocessing中normalizer函数的应用，以及与standardscaler的区别

`sklearn.preprocessing`库中的`Normalizer`和`StandardScaler`都是预处理工具，但它们的作用不同。

`Normalizer`主要用于规范化数据，使得每个样本向量的欧几里得长度保持一致。它主要有两个参数：

- `norm`: 可选参数，如'l2'代表L2范数（默认），使每个特征向量除以其L2范数（即向量的平方和的平方根），这样每个特征具有单位欧几里得长度。这对于那些特征之间尺度差异大的情况非常有用，比如文档向量化[^1]。
- `copy`: 是否创建原数据的副本，默认为True，以防修改原数据。

例如，如果你有一个文本数据集，每个文档可以看作是一个词频向量，通过`Normalizer(norm='l2')`可以标准化这些向量，使得每个文档的重要性由其在整个语料库中的相对重要性来衡量，而不是由单词的数量决定。

相比之下，`StandardScaler`（也称为Z-score标准化）则是将数据缩放到均值为0，标准差为1的标准正态分布。这适用于数值特征，它会调整整个特征列，而不是单个样本的长度。

举个例子：

from sklearn.preprocessing import Normalizer

# 假设data是一个包含词频矩阵的数组
normalizer = Normalizer()
normalized_data = normalizer.transform(data)

# 对于StandardScaler
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
standardized_data = scaler.fit_transform(data)