一产品需求为已知参数的gamma分布，另一产品需求为已知参数的lognorm分布，将两餐品需求归一化处理，用python将以上操作写成代码

假设我们已经得到了两个产品的需求数据分别存储在numpy数组`demand_product1`和`demand_product2`中，我们可以按照以下步骤进行归一化处理：

1. 对每个产品需求数据进行归一化处理，使其满足给定的概率分布，这里我们使用`scipy.stats`库中的概率分布函数来实现。

2. 对于归一化后的数据，我们可以计算出它们的平均值和标准差，以便后续使用。

下面是代码实现：

import numpy as np
from scipy.stats import gamma, lognorm

# 已知参数的gamma分布
gamma_shape = 2.0
gamma_scale = 3.0

# 已知参数的lognorm分布
lognorm_mean = 1.0
lognorm_std = 0.5

# 生成两个产品的需求数据
demand_product1 = gamma.rvs(a=gamma_shape, scale=gamma_scale, size=100)
demand_product2 = lognorm.rvs(s=lognorm_std, loc=0, scale=np.exp(lognorm_mean), size=100)

# 归一化处理
norm_demand_product1 = gamma.cdf(demand_product1, a=gamma_shape, scale=gamma_scale)
norm_demand_product2 = lognorm.cdf(demand_product2, s=lognorm_std, loc=0, scale=np.exp(lognorm_mean))

# 计算平均值和标准差
mean_norm_demand_product1 = np.mean(norm_demand_product1)
std_norm_demand_product1 = np.std(norm_demand_product1)
mean_norm_demand_product2 = np.mean(norm_demand_product2)
std_norm_demand_product2 = np.std(norm_demand_product2)

在上面的代码中，我们使用`gamma.rvs()`和`lognorm.rvs()`函数生成了两个产品的需求数据，然后使用`gamma.cdf()`和`lognorm.cdf()`函数将其归一化处理。最后，使用`numpy.mean()`和`numpy.std()`函数计算出了归一化后数据的平均值和标准差。