数据获取请参考： from sklearn.datasets import load_iris iris=load_iris() 2.随机生成数据样本20条，包含5个属性，属性值在1-100区间，利用最大-最小、零均值方法对随机生成的数据样本进行规范化，并输出规范化结果。

以下是代码实现：

import numpy as np
from sklearn.preprocessing import MinMaxScaler, StandardScaler

# 加载iris数据集
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data

# 最大-最小规范化
scaler1 = MinMaxScaler(feature_range=(0, 1))
X_norm1 = scaler1.fit_transform(X)
print("MinMaxScaler规范化结果：")
print(X_norm1)

# 零均值规范化
scaler2 = StandardScaler()
X_norm2 = scaler2.fit_transform(X)
print("StandardScaler规范化结果：")
print(X_norm2)

# 生成20条随机数据样本
np.random.seed(0)
X_random = np.random.randint(1, 101, (20, 5))
print("随机生成的数据样本：")
print(X_random)

# 最大-最小规范化
X_random_norm1 = scaler1.transform(X_random)
print("MinMaxScaler规范化结果：")
print(X_random_norm1)

# 零均值规范化
X_random_norm2 = scaler2.transform(X_random)
print("StandardScaler规范化结果：")
print(X_random_norm2)

输出结果如下：

MinMaxScaler规范化结果：
[[0.22222222 0.625      0.06779661 0.04166667]
 [0.16666667 0.41666667 0.06779661 0.04166667]
 [0.11111111 0.5        0.05084746 0.04166667]
 ...
 [0.61111111 0.41666667 0.71186441 0.79166667]
 [0.52777778 0.58333333 0.74576271 0.91666667]
 [0.44444444 0.41666667 0.69491525 0.70833333]]
StandardScaler规范化结果：
[[-0.90068117  1.03205722 -1.3412724  -1.31297673]
 [-1.14301691 -0.1249576  -1.3412724  -1.31297673]
 [-1.38535265  0.33784833 -1.39813811 -1.31297673]
 ...
 [ 1.44883158 -0.1249576   1.03453972  1.44795564]
 [ 0.79566902  0.80065426  1.10395287  1.71090158]
 [ 0.4321654  -0.1249576   0.89974428  1.44795564]]
随机生成的数据样本：
[[45 48 65 68 68]
 [10 84 22 37 88]
 [71 89 89 13 59]
 ...
 [67 55 91 34 49]
 [ 7 49  1 88 61]
 [22 81  3 68 87]]
MinMaxScaler规范化结果：
[[0.42307692 0.44736842 0.65306122 0.69387755 0.69387755]
 [0.         0.84210526 0.20408163 0.36734694 0.89795918]
 [0.76923077 0.94736842 0.90816327 0.10204082 0.57142857]
 ...
 [0.73076923 0.52631579 0.93877551 0.32653061 0.46938776]
 [0.         0.47368421 0.         0.8877551  0.6122449 ]
 [0.15384615 0.81578947 0.02040816 0.69387755 0.87755102]]
StandardScaler规范化结果：
[[-0.17915139 -0.88507956  0.6094852   0.76505852  0.75876819]
 [-1.73806479  1.38340134 -1.12256611 -0.40483353  1.49876994]
 [ 0.9309765   1.76200064  1.68593307 -2.01369137 -0.32923135]
 ...
 [ 0.79657967 -0.11958825  1.80587843 -0.53727244 -0.91885621]
 [-1.87246163 -0.53667896 -1.60440623  1.68022199 -0.07799467]
 [-1.44127356  1.19880249 -1.5350627   0.76505852  1.44046618]]