在Python中，矩阵归一化可以通过`sklearn.preprocessing`库中的`MinMaxScaler`或`StandardScaler`实现。以下是使用这两种方法的示例代码：
使用`MinMaxScaler`进行归一化
```python
from sklearn.preprocessing import MinMaxScaler
import numpy as np
假设这是我们的原始数据
data = np.array（[[1, 1000], [5, 1500], [10, 2000]]）
创建MinMaxScaler对象
scaler = MinMaxScaler（）
进行归一化处理
scaled_data = scaler.fit_transform（data）
print（scaled_data）
使用`StandardScaler`进行标准化```pythonfrom sklearn.preprocessing import StandardScaler
import numpy as np
假设这是我们的原始数据
data = np.array（[[1, 1000], [5, 1500], [10, 2000]]）
创建StandardScaler对象
scaler = StandardScaler（）
进行标准化处理
standardized_data = scaler.fit_transform（data）
print（standardized_data）
解释
`MinMaxScaler`将数据缩放到[0,1]区间，使用公式`x = （x - min） / （max - min）`。
`StandardScaler`将数据缩放到均值为0，标准差为1，使用公式`z = （x - μ） / σ`，其中`μ`是均值，`σ`是标准差。
请根据你的具体需求选择合适的归一化方法。