歸一化是數據預處理中的一種重要方法，其作用是將所有的數據均縮放到一個特定的范圍內，通常是[0，1]或者[-1，1]之間。Python作為一種廣泛使用的編程語言，有許多方法可以實現歸一化。以下是5種常用的Python歸一化方法。

#1. Min-Max歸一化
from sklearn.preprocessing import MinMaxScaler
data = [[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]
scaler = MinMaxScaler()
result = scaler.fit_transform(data)
print(result)

Min-Max歸一化是一種最常用的歸一化方法，它通過將數據縮放到[0，1]范圍內，使所有的數據在一個統一的尺度內，同時保持數據的相對關系不變。

#2. Z-Score歸一化
from sklearn.preprocessing import StandardScaler
data = [[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]
scaler = StandardScaler()
result = scaler.fit_transform(data)
print(result)

Z-Score歸一化也叫標準化，它將數據轉換為標準正態分布，即均值為0，方差為1的分布。通過這種方式，我們可以更好地控制數據的離群值。

#3. L1歸一化
from sklearn.preprocessing import normalize
data = [[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]
result = normalize(data, norm='l1')
print(result)

L1歸一化將每個樣本縮放到它的L1范數，即樣本所有特征值的絕對值之和為1。這種歸一化方式在文本分類等問題中非常有用。

#4. L2歸一化
from sklearn.preprocessing import normalize
data = [[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]
result = normalize(data, norm='l2')
print(result)

L2歸一化將每個樣本縮放到它的L2范數，即樣本所有特征值的平方和開根號為1。與L1歸一化相比，L2歸一化更加注重數據的量級。

#5. RobustScaler歸一化
from sklearn.preprocessing import RobustScaler
data = [[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]
scaler = RobustScaler()
result = scaler.fit_transform(data)
print(result)

RobustScaler歸一化與Min-Max歸一化和Z-Score歸一化相比，對離群值更加魯棒，通常用于處理含有離群值的數據集。