数据标准化与归一化代码

数据标准化和归一化是常用的数据预处理技术，可以将不同尺度的数据转换为统一的范围，以便于模型的训练和比较。以下是一些常见的数据标准化和归一化方法的代码示例：

1. 标准化（Standardization）：将数据转换为均值为0，标准差为1的分布。

from sklearn.preprocessing import StandardScaler

# 创建 StandardScaler 对象
scaler = StandardScaler()

# 使用 fit_transform 方法进行标准化
X_scaled = scaler.fit_transform(X)

2. 最小-最大归一化（Min-Max Normalization）：将数据缩放到给定的最小值和最大值之间。

from sklearn.preprocessing import MinMaxScaler

# 创建 MinMaxScaler 对象，指定归一化范围
scaler = MinMaxScaler(feature_range=(0, 1))

# 使用 fit_transform 方法进行归一化
X_scaled = scaler.fit_transform(X)

3. 归一化（Normalization）：将数据转换为单位范数（向量的长度为1）。

from sklearn.preprocessing import Normalizer

# 创建 Normalizer 对象
scaler = Normalizer()

# 使用 fit_transform 方法进行归一化
X_scaled = scaler.fit_transform(X)

这些代码示例使用了 scikit-learn 库中的相关功能来实现数据标准化和归一化。注意，`X` 是输入数据，可以是一个特征矩阵或样本向量。根据具体的任务和数据特点，选择适合的数据预处理方法进行标准化和归一化。