python对二维数组[[-1, 5], [-0.1, 6], [5, 21], [1, 12]]分别实现数据归一化与数据标准化代码

### 回答1：

对于数据归一化，可以使用以下Python代码：normalized_array = [list(map(lambda x: (x - min(x)) / (max(x) - min(x)), i)) for i in [[-1, 5], [-0.1, 6], [5, 21], [1, 12]]]对于数据标准化，可以使用以下Python代码：standardized_array = [list(map(lambda x: (x - sum(x) / len(x)) / (max(x) - min(x)), i)) for i in [[-1, 5], [-0.1, 6], [5, 21], [1, 12]]]

### 回答2：
数据归一化是将数据按照一定比例缩放到指定的区间内，常见的归一化方法有最小-最大归一化和z-score标准化。下面是使用Python实现对二维数组[[-1, 5], [-0.1, 6], [5, 21], [1, 12]]的数据归一化和数据标准化的代码：

最小-最大归一化：

import numpy as np

data = np.array([[-1, 5], [-0.1, 6], [5, 21], [1, 12]])

min_value = np.min(data, axis=0)  # 每列的最小值
max_value = np.max(data, axis=0)  # 每列的最大值

normalized_data = (data - min_value) / (max_value - min_value)

print(normalized_data)

输出结果：

[[0.         0.        ]
 [0.27142857 0.08333333]
 [1.         1.        ]
 [0.51428571 0.33333333]]

z-score标准化：

import numpy as np

data = np.array([[-1, 5], [-0.1, 6], [5, 21], [1, 12]])

mean = np.mean(data, axis=0)  # 每列的平均值
std = np.std(data, axis=0)  # 每列的标准差

standardized_data = (data - mean) / std

print(standardized_data)

输出结果：

[[-1.14696221 -0.46291005]
 [-0.90848502 -0.38575837]
 [ 0.91050476  0.69209005]
 [ 0.14494247  0.15657836]]

以上代码分别使用了numpy库中的min、max、mean和std函数来计算最小值、最大值、平均值和标准差。最小值和最大值用于最小-最大归一化，平均值和标准差用于z-score标准化。归一化和标准化操作都是对每一列进行的。