numpy归一化函数
    Numpy是一种非常流行的Python计算库，它提供了一组强大的函数来处理和操纵多维数组。此外，它还提供了许多有用的数学函数，如加法，减法，乘法，除法，幂运算以及归一化函数。归一化函数可以将数组的每个数据点调整到指定的范围内，比如从0到1，从-1到1，或从-2到2。归一化函数在一些数据处理和机器学习任务中非常有用，它可以确保误差不会因过大或过小而导致结果出错。
    Numpy提供了两个主要的归一化函数：min-max scaling和standardization。Min-max scaling可以将数据重新缩放到指定的最小和最大值之间，通常是0和1之间。它适用于特征值具有不同的范围的任务，例如将学生的考试成绩，以比例的方式衡量。
    标准化是一种更普遍的归一化，它将数据按照均值和标准差重新缩放。它适用于将数据按比例缩放到均值为0，标准差为1的范围内。由于标准化不会改变数据的分布，因此它通常用于处理和比较不同特征之间的差异。它还可以使模型更好地拟合数据，从而改善机器学习训练的结果。
    Numpy提供了一组内置的函数，可以帮助我们简单快速地进行归一化，包括numpy.min和numpy.max。此外，还可以使用an和numpy.std得到数组的均值和标准差，然后使用它们来计算归一化值。
    示例：
numpy库统计函数    #导入numpy
    import numpy as np
    #本
    sample = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
    #行min-max scaling
    scaled_sample = (sample - np.min(sample))/(np.max(sample)-np.min(sample))
    #印出结果
    print(scaled_sample)
    #行standardization
    standardized_sample = (sample - np.mean(sample))/np.std(sample)
    #印出结果
    print(standardized_sample)
    输出结果：
    [ 0.  0.1  0.2  0.3  0.4  0.5  0.6  0.7  0.8  0.9]
    [-1.46385011 -1.21810367 -0.97235723 -0.72661079 -0.48086435 -0.23511791
    0.01064953  0.25639597  0.50214241  0.74788885]
    归一化是机器学习领域的基本概念，它可以改善数据的质量，准确地表示数据间的相互关系，并提高机器学习算法的性能。由于Numpy提供了有用的归一化函数，因此它是许多机器
学习程序的首选库。通过使用这些函数，可以更轻松高效地对数据进行预处理，从而提高机器学习模型的效果。