最大最小标准化（Min-Max Scaling）
import numpy as np示例数据data = np.array（[[1, 2, 3], [4, 5, 6]]）标准化min_max_scaler = （data - np.min（data, axis=0）） / （np.max（data, axis=0） - np.min（data, axis=0））print（min_max_scaler）
Z-score标准化
import numpy as np示例数据data = np.array（[[1, 2, 3], [4, 5, 6]]）标准化mean = np.mean（data, axis=0）std = np.std（data, axis=0）z_score_data = （data - mean） / stdprint（z_score_data）
使用scikit-learn的StandardScaler
from sklearn.preprocessing import StandardScaler示例数据data = np.array（[[1, 2, 3], [4, 5, 6]]）初始化StandardScaler对象scaler = StandardScaler（）标准化scaled_data = scaler.fit_transform（data）print（scaled_data）
使用pandas进行数据标准化
import pandas as pd示例数据data = pd.DataFrame（{'A': [1, 2, 3, 4, 5], 'B': [10, 20, 30, 40, 50]}）标准化min_max_scaler = （data - data.min（）） / （data.max（） - data.min（））print（min_max_scaler）
以上代码展示了如何使用NumPy和scikit-learn库进行数据标准化。使用scikit-learn的`StandardScaler`类可以方便地对数据进行标准化处理，并且可以处理缺失值和异常值。