數據正規化在數據分析和機器學習中非常重要。Python是一個強大的數據分析工具，它提供了多種工具來處理數據正規化，這里介紹一些實用的方法。

import numpy as np
from sklearn import preprocessing
# 生成隨機數據
data = np.random.randint(0, 100, size=(4, 4))
print("隨機數據：\n", data)
# 將數據縮放在0-1之間
min_max_scaler = preprocessing.MinMaxScaler()
data_minmax = min_max_scaler.fit_transform(data)
print("數據縮放在0-1之間：\n", data_minmax)
# 將數據標準化
standard_scaler = preprocessing.StandardScaler()
data_standard = standard_scaler.fit_transform(data)
print("標準化數據：\n", data_standard)
# 將數據截斷到一個固定范圍
data_clip = np.clip(data, 20, 80)
print("截斷后的數據：\n", data_clip)

以上代碼展示了Python中常用的三種數據正規化方法：縮放、標準化和截斷。其中，縮放將數據縮放到0-1之間，標準化將數據轉換為均值為0、標準差為1的正態分布，截斷將數據限制在一個特定的范圍。

無論使用哪種方法，數據正規化的目的是使得數據更加可解釋、可比較和穩定。在進行數據分析和機器學習任務時，數據正規化是一個必不可少的步驟。