任务1 wine数据集预处理 1. 通过sklearn库加载wine数据集； 2. 查阅wine数据集的特征数据和标签； 3. 将wine数据集中特征数据PCA降维（降维后维度为2），并查看信息占比； 4. 将wine数据集降维后特征数据进行标准化处理； 5. 将wine数据集标准化后的特征数据拆分为训练集和测试集（测试集占比0.2）。

好的，下面我来一步步完成这些任务：

1. 加载wine数据集

from sklearn.datasets import load_wine
wine = load_wine()

2. 查看wine数据集的特征数据和标签

print(wine.data.shape)  # 特征数据
print(wine.target.shape)  # 标签

输出结果为：

(178, 13)
(178,)

说明wine数据集共有178个样本，每个样本有13个特征和一个标签。

3. 将wine数据集中特征数据PCA降维（降维后维度为2），并查看信息占比

from sklearn.decomposition import PCA

pca = PCA(n_components=2)
wine_pca = pca.fit_transform(wine.data)

print(wine_pca.shape)  # 降维后的特征数据维度
print(pca.explained_variance_ratio_)  # 查看信息占比

输出结果为：

(178, 2)
[0.99809123 0.00173592]

可以看到，降维后的特征数据维度为2，信息占比为99.81%。

4. 将wine数据集降维后特征数据进行标准化处理

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
wine_scaled = scaler.fit_transform(wine_pca)

5. 将wine数据集标准化后的特征数据拆分为训练集和测试集（测试集占比0.2）

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(wine_scaled, wine.target, test_size=0.2, random_state=42)

至此，wine数据集预处理任务完成。