3．油气存储特征数据表（3.xlsx）：油气藏的储量密度Y与生油门限以下平均地温梯度X1、生油门限以下总有机碳百分比X2、生油岩体积与沉积岩体积百分比X3、砂泥岩厚度百分比X、有机转化率X3有关。（15分） （1）请使用sklearn库对数据进行均值方差规范化。（3分） （2）从sklearn库中导入线性回归类。（3分） （3）使用线性回归类创建线性回归对象。（3分） （4）使用线性回归对象对数据进行拟合训练。（3分） （5）输出训练模型的拟合优度（判定系数）。（3分）

好的，这个问题是关于使用sklearn库进行线性回归的问题，你想知道如何使用sklearn库对数据进行均值方差规范化，导入线性回归类，创建线性回归对象，对数据进行拟合训练，并输出拟合优度（判定系数），是吗？

首先，我们需要导入sklearn库和pandas库，并读取数据表格。

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression

data = pd.read_excel('3.xlsx')

接下来，我们使用StandardScaler类对数据进行均值方差规范化。

scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)

然后，我们导入LinearRegression类，创建一个线性回归对象，并使用fit()方法对数据进行拟合训练。

regression = LinearRegression()
regression.fit(data_scaled[:,:-1], data_scaled[:,-1])

最后，我们可以使用score()方法输出拟合优度（判定系数）。

print('拟合优度（判定系数）为：', regression.score(data_scaled[:,:-1], data_scaled[:,-1]))

完整的代码如下：

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression

data = pd.read_excel('3.xlsx')

scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)

regression = LinearRegression()
regression.fit(data_scaled[:,:-1], data_scaled[:,-1])

print('拟合优度（判定系数）为：', regression.score(data_scaled[:,:-1], data_scaled[:,-1]))

注意，这里最后输出的拟合优度（判定系数）是一个介于0和1之间的值，越接近1表示模型的拟合程度越好。