请用python完成以下任务：1、读取数据集将其划分为训练集和测试集，标准化特征数据。2、建立keras神经网络对其训练完成回归，绘制损失函数图。3、绘制特征与标签相关度图

好的，我来一步步回答你的问题。

首先，要使用Python完成这些任务，需要引入一些常用的库，包括numpy、pandas、sklearn、keras等。可以使用以下代码进行引入：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt

然后，我们需要读取数据集并将其划分为训练集和测试集，标准化特征数据。假设我们的数据集文件名为"data.csv"，其中最后一列为标签数据，可以使用以下代码进行读取和处理：

# 读取数据集
data = pd.read_csv("data.csv")

# 划分特征和标签数据
X = data.iloc[:,:-1].values
y = data.iloc[:,-1].values

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 特征标准化
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

接下来，我们需要建立Keras神经网络对数据集进行训练和回归。我们可以使用以下代码定义一个简单的神经网络模型：

# 定义神经网络模型
model = Sequential()
model.add(Dense(units=10, kernel_initializer='uniform', activation='relu', input_dim=X_train.shape[1]))
model.add(Dense(units=1, kernel_initializer='uniform', activation='linear'))

# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')

然后，我们可以使用以下代码进行模型训练和损失函数图绘制：

# 训练模型
history = model.fit(X_train, y_train, batch_size=32, epochs=100, validation_data=(X_test, y_test))

# 绘制损失函数图
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.title('Model Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.show()

最后，我们可以使用以下代码绘制特征与标签相关度图：

# 计算特征与标签相关度
corr = data.corr()
corr.sort_values(by=['label'], inplace=True, ascending=False)
print(corr['label'])

# 绘制相关度图
plt.figure(figsize=(12,8))
sns.heatmap(data.corr(), cmap='coolwarm', annot=True)
plt.show()

这样就完成了你的任务，希望能对你有所帮助。