python加载csv文件，并将其标准化到（0，1）

要加载 CSV 文件并将其标准化到（0，1），可以使用 Python 的 pandas 库。以下是一个示例代码：

import pandas as pd

# 读取 CSV 文件
df = pd.read_csv('data.csv')

# 将数据标准化到（0，1）
df_normalized = (df - df.min()) / (df.max() - df.min())

# 输出标准化后的数据
print(df_normalized)

在这个示例中，我们首先导入 pandas 库并使用 `pd.read_csv` 函数读取 CSV 文件。然后，我们使用 `(df - df.min()) / (df.max() - df.min())` 将数据标准化到（0，1），并将结果存储在变量 `df_normalized` 中。最后，我们使用 `print` 函数输出标准化后的数据。

请注意，这个示例假设 CSV 文件中的所有列都需要标准化。如果你只需要标准化特定列，请按照以下方式更改代码：

# 读取 CSV 文件
df = pd.read_csv('data.csv')

# 指定需要标准化的列
cols_to_normalize = ['col1', 'col2']

# 将指定列的数据标准化到（0，1）
df[cols_to_normalize] = (df[cols_to_normalize] - df[cols_to_normalize].min()) / (df[cols_to_normalize].max() - df[cols_to_normalize].min())

# 输出标准化后的数据
print(df)

在这个示例中，我们首先使用 `pd.read_csv` 函数读取 CSV 文件。然后，我们使用 `cols_to_normalize` 列表指定需要标准化的列。最后，我们使用 `(df[cols_to_normalize] - df[cols_to_normalize].min()) / (df[cols_to_normalize].max() - df[cols_to_normalize].min())` 将指定列的数据标准化到（0，1），并将结果存储回 `df` 数据框中。