请使用numpy，而不是直接使用sklearn中的类。实现任意两种数据缩放算法。（StandardScaler、RobusScaler、MinMaxScaler、Normalizer）。

在Python中，我们可以使用NumPy库来实现数据预处理的一些基本操作，包括数据缩放。以下是使用NumPy实现StandardScaler和MinMaxScaler这两种常见的数据缩放算法的例子：

import numpy as np

# StandardScaler (z-score标准化)
def standard_scaler(data):
    mean = np.mean(data, axis=0)
    std_dev = np.std(data, axis=0)
    return (data - mean) / std_dev

# MinMaxScaler (最小最大规范化)
def min_max_scaler(data):
    data_min = np.min(data, axis=0)
    data_range = np.max(data, axis=0) - data_min
    return (data - data_min) / data_range

# 注意，NumPy本身并不直接提供类似sklearn的RobustScaler和Normalizer，它们需要额外的步骤或借助其他库如scikit-learn或pip install statsmodels。

# 对于RobustScaler，可以使用如下方式手动实现：
def robust_scaler(data):
    q1 = np.percentile(data, 25, axis=0)
    q3 = np.percentile(data, 75, axis=0)
    iqr = q3 - q1
    scale = 1.5 * iqr / (np.median(np.abs(data - np.median(data, axis=0)), axis=0))
    offset = q1
    return (data - offset) / scale

# Normalizer（归一化到单位长度）
def normalizer(data):
    norms = np.linalg.norm(data, axis=1)
    return data / norms[:, np.newaxis]

# 使用示例：
# 假设我们有二维数据array
data = np.random.rand(1000, 50)
standard_data = standard_scaler(data)
min_max_data = min_max_scaler(data)