在Python中，数据规范化可以通过以下几种方法实现：
最小-最大规范化（Min-Max Scaling）
将数据按比例缩放到一个指定的范围，通常是[0, 1]。
```python
import pandas as pd
def min_max_scaling（df）:
return （df - df.min（）） / （df.max（） - df.min（））
零-均值规范化（Z-Score Normalization）
将数据转换为均值为0，标准差在1范围内。```pythonfrom sklearn.preprocessing import StandardScaler
创建一个示例DataFrame
data = {
'A': [1, 2, 3, 4, 5],
'B': [10, 20, 30, 40, 50]
}
df = pd.DataFrame（data）
初始化StandardScaler对象
scaler = StandardScaler（）
使用fit_transform方法对数据进行标准化
scaled_data = scaler.fit_transform（df）
将标准化后的数据转换为DataFrame
scaled_df = pd.DataFrame（scaled_data, columns=df.columns）
print（scaled_df）
小数定标规范化（Decimal Scaling）
将数据除以一个合适的10的幂，使得最大值处于一个特定的位数。
```python
import pandas as pd
import numpy as np
datafile = 'D:/Code/Need/normalization_data.xls'
data = pd.read_excel（datafile, header=None）
使用.ceil（）方法取数据中最大值对于10的对数的整数部分
data_nor = data / 10 np.ceil（np.log10（data.max（）））
print（data_nor）
以上代码示例展示了如何使用Pandas和scikit-learn库进行数据规范化。请根据您的具体需求选择合适的方法。