在Python中，归一化可以通过多种方法实现，以下是使用`scikit-learn`库和`numpy`库进行归一化的示例：
使用`scikit-learn`的`MinMaxScaler`
```python
from sklearn.preprocessing import MinMaxScaler
import numpy as np
定义数据
data = np.array（[[1.0, 2.0], [2.0, 4.0], [3.0, 6.0]]）
初始化MinMaxScaler对象
scaler = MinMaxScaler（）
对数据集进行归一化处理
normalized_data = scaler.fit_transform（data）
print（"原始数据集："）
print（data）
print（"\n归一化后的数据集："）
print（normalized_data）
使用`numpy`进行归一化```pythonimport numpy as np
定义数据
data = np.array（[[1, 2, 3], [4, 5, 6]]）
获取数据的最大值和最小值
data_min = np.min（data, axis=0）
data_max = np.max（data, axis=0）
计算归一化后的数据
normalized_data = （data - data_min） / （data_max - data_min）
print（"原始数据集："）
print（data）
print（"\n归一化后的数据集："）
print（normalized_data）
使用自定义函数进行归一化
```python
import numpy as np
def max_min_normalization（x, max_val, min_val）:
return （x - min_val） / （max_val - min_val）
定义数据
a = np.array（[[1, 2, 3], [4, 5, 6]]）
对数据进行归一化处理
normalized_data = max_min_normalization（a, 3, 0）
print（"归一化后的数据集："）
print（normalized_data）
使用`autoNorm`函数进行归一化```pythonimport numpy as np
def autoNorm（dataSet）:
minVals = dataSet.min（axis=0）
maxVals = dataSet.max（axis=0）
ranges = maxVals - minVals
normDataSet = （dataSet - np.tile（minVals, （dataSet.shape, 1））） / np.tile（ranges, （dataSet.shape, 1））
return normDataSet, ranges, minVals
定义数据
data = np.array（[[1, 2, 3], [4, 5, 6]]）
对数据进行归一化处理
normalized_data, ranges, minVals = autoNorm（data）
print（"原始数据集："）
print（data）
print（"\n归一化后的数据集："）
print（normalized_data）
以上示例展示了如何使用`scikit-learn`和`numpy`库进行归一化处理。归一化是将数据按比例缩放，使之落入一个小的特定区间，如[0, 1]。这有助于在数据分析和机器学习任务中获得更好的结果。