Python中的歸一化是指將數據縮放到指定的范圍內，常用的方法包括最小-最大縮放和Z-Score標準化。下面是使用scikit-learn庫對數據進行歸一化的示例：

from sklearn.preprocessing import MinMaxScaler
data = [[1, 2], [2, 4], [3, 6], [4, 8]]
scaler = MinMaxScaler(feature_range=(0, 1))
normalized_data = scaler.fit_transform(data)
print(normalized_data)

運行結果如下：

[[0.         0.        ]
 [0.33333333 0.33333333]
 [0.66666667 0.66666667]
 [1.         1.        ]]

可以看到，歸一化后的數據被縮放到了0到1之間。

在實際應用中，歸一化后的數據需要還原到原來的范圍內。還原方法通常是使用inverse_transform函數，下面是示例代碼：

from sklearn.preprocessing import MinMaxScaler
data = [[1, 2], [2, 4], [3, 6], [4, 8]]
scaler = MinMaxScaler(feature_range=(0, 1))
normalized_data = scaler.fit_transform(data)
print(normalized_data)
original_data = scaler.inverse_transform(normalized_data)
print(original_data)

運行結果如下：

[[0.         0.        ]
 [0.33333333 0.33333333]
 [0.66666667 0.66666667]
 [1.         1.        ]]
[[1. 2.]
 [2. 4.]
 [3. 6.]
 [4. 8.]]

可以看到，經過還原后得到的數據和原始數據一樣。