概念：通过特定的统计方法姜数据转换为算法要求的数据
方法：
sklearn特征处理API
sklearn.preprocessing
归一化：
通过最大值和最小值对数据进行处理将数据转换为[0,1]之间的数，使得所有特征所占比例大致相同。
缺点：对于异常点的处理不好，最大值最小容易受异常点影响（鲁棒性较差）
标准化：
通过平均值标准差对数据进行处理，将数据转换为平均值为0， 标准差为1 的数据。

from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import StandardScaler

def mm(list1):
    mm = MinMaxScaler(feature_range=(2, 3))
    data = mm.fit_transform(list1)
    print(data)
    return None

def ss(list1):
    ss = StandardScaler()
    data = ss.fit_transform(list1)
    print(data)

if __name__ == "__main__":
    list1 = [[90, 2, 10, 40], [60, 4, 15, 45], [75, 3, 13, 46]]
    mm(list1)
    ss(list1)

output:
[[ 3.          2.          2.          2.        ]
 [ 2.          3.          3.          2.83333333]
 [ 2.5         2.5         2.6         3.        ]]
 
[[ 1.22474487 -1.22474487 -1.29777137 -1.3970014 ]
 [-1.22474487  1.22474487  1.13554995  0.50800051]
 [ 0.          0.          0.16222142  0.88900089]]