补全程序，完成以下功能：创建表示5×5的随机矩阵的DataFrame 对象，行素引和列索引都为1~5，元素取值在1~50，对数据进行归一化和正则化。import pandas as pd import numpy as np from sklearn.preprocessing import ____________ # 导入库用于数据正则化 from sklearn.preprocessing import ____________ # 导入库用于数据归一化 # 创建表示5×5的随机矩阵的DataFrame对象frame ar = np._______.randint(1, 51, 25).reshape(5, 5) frame = pd.DataFrame(ar) print(frame) # 转换器实例化 minmax_scaler = MinMaxScaler() # 数据归一化 normalization_result = ______________________ print("数据归一化：\n", normalization_result) # 转换器实例化 standard_scaler = ______________________ # 数据正则化 standard_result = ______________________ print("数据正则化：\n", standard_result)

补全程序如下：

import pandas as pd 
import numpy as np 
from sklearn.preprocessing import MinMaxScaler # 导入库用于数据正则化 
from sklearn.preprocessing import StandardScaler # 导入库用于数据归一化 

# 创建表示5×5的随机矩阵的DataFrame对象
ar = np.random.randint(1, 51, 25).reshape(5, 5) 
frame = pd.DataFrame(ar, index=[1,2,3,4,5], columns=[1,2,3,4,5]) 
print(frame)

# 转换器实例化 
minmax_scaler = MinMaxScaler() 
standard_scaler = StandardScaler()

# 数据归一化 
normalization_result = minmax_scaler.fit_transform(frame) 
print("数据归一化：\n", normalization_result)

# 数据正则化 
standard_result = standard_scaler.fit_transform(frame) 
print("数据正则化：\n", standard_result)

程序中，我们先利用Numpy生成一个5×5的矩阵，然后将其转换为一个DataFrame对象。接着，我们分别实例化了一个MinMaxScaler和一个StandardScaler转换器。最后，我们用fit_transform()函数对DataFrame数据进行归一化和正则化，并打印出结果。