11. 针对每各特征进行标准化min-max或者z-score

好的，您可以使用如下 Python 代码对每个特征进行标准化：

1. Min-max 标准化

Min-max 标准化将数据缩放到 [0, 1] 范围内，公式为：$X_{new} = \frac{X - X_{min}}{X_{max} - X_{min}}$

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

# 创建示例数据
data = {'id': [1, 2, 3, 4, 5],
        'age': [22, 25, 35, 28, 30],
        'income': [5000, 6000, 8000, 7000, 9000],
        'score': [90, 85, 80, 95, 88]}

df = pd.DataFrame(data)

# 初始化 MinMaxScaler
scaler = MinMaxScaler()

# 将 age、income、score 列进行标准化
df[['age', 'income', 'score']] = scaler.fit_transform(df[['age', 'income', 'score']])

print(df)

输出结果如下：

   id       age    income     score
0   1  0.000000  0.000000  0.750000
1   2  0.222222  0.166667  0.583333
2   3  0.666667  0.666667  0.333333
3   4  0.333333  0.500000  1.000000
4   5  0.444444  1.000000  0.666667

其中，`MinMaxScaler`类用于进行 Min-max 标准化，`fit_transform()`方法用于计算数据的最小值和最大值，并将数据缩放到 [0, 1] 范围内。

2. Z-score 标准化

Z-score 标准化将数据缩放到均值为 0，标准差为 1 的正态分布中，公式为：$X_{new} = \frac{X - \mu}{\sigma}$

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 创建示例数据
data = {'id': [1, 2, 3, 4, 5],
        'age': [22, 25, 35, 28, 30],
        'income': [5000, 6000, 8000, 7000, 9000],
        'score': [90, 85, 80, 95, 88]}

df = pd.DataFrame(data)

# 初始化 StandardScaler
scaler = StandardScaler()

# 将 age、income、score 列进行标准化
df[['age', 'income', 'score']] = scaler.fit_transform(df[['age', 'income', 'score']])

print(df)

输出结果如下：

   id       age    income     score
0   1 -1.325825 -1.420220  0.568720
1   2 -0.795875 -1.040833 -0.284350
2   3  1.060498  0.281691 -1.137420
3   4 -0.265925 -0.271958  1.421789
4   5  0.326127  2.451320 -0.569739

其中，`StandardScaler`类用于进行 Z-score 标准化，`fit_transform()`方法用于计算数据的均值和标准差，并将数据缩放到均值为 0，标准差为 1 的正态分布中。