下面是关于“sklearn有关数据归一化小结”的完整攻略：
1. 数据归一化的概念
数据归一化是指将数据按照一定的比例缩放，使之入一个特定的区间。数据归一化可以提高模型的精度和稳定性，避免因为数据范围不同而导致模型不稳定的情况。
2. sklearn中的数据归一化方法
sklearn中提供了多种数据归一化的方法，括MinMaxScaler、StandardScaler、RobustScaler等。
2.1 MinMaxScaler
MinMaxScaler是一种常用的数据归一化方法，它将数据缩放到[0,1]范围内。MinMaxScaler的公式如下：
$$
x_{scale} = \frac{x – x_{min}}{x_{max} – x_{min}}
$$
其中，$x$是原始数据，$x_{min}$和$x_{max}$分别是原始数据的最小值和最大值，$x_{scale}$是归一化后的数据。
以下是使用MinMaxScaler对数据进行归一化的例代码：
from sklearn.preprocessing import MinMaxScaler
import numpy as np
data = np.array([[1, 2], [2, 4], [3, 6], [4, 8]])
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(data)
print(scaled_data)
在上面的代码中，我们使用MinMaxScaler对数据进行归一化，并输出归一化后的结果。
输出结果为：
[[0. 0. ]
[0.33333333 0.33333333]
[0.66666667 0.66666667]
[1. 1. ]]
2.2 StandardScaler
StandardScaler是一种常用的数据归一化方法，它将数据缩放到均值为0，方差为1的范围内。StandardScaler的公式如下：
$$
x_{scale} = \frac{x – \mu}{\sigma}
$$
其中，$x$是原始数据，$\mu$和$\sigma$分别是原始数据的均值和标准差，$x_{scale}$是归一化后的数据。
以下是使用StandardScaler对数据进行归一化的示例代码：
from sklearn.preprocessing import StandardScaler
import numpy as np
data = np.array([[1, 2], [2, 4], [3, 6], [4, 8]])
scaler = StandardScaler()
scaled_data = scaler.fit_transform(data)
print(scaled_data)
在上面的代码中，我们使用StandardScaler对数据进行归一化，并输出归一化后的结果。
输出结果为：
[[-1.34164079 -1.34164079]
[-0.4472136 -0.4472136 ]
[ 0.4472136 0.4472136 ]
[ 1.34164079 1.34164079]]
3. 注意事项
在使用数据归一化时，需要注意以下几点：
- 数据归一化需要在训练集和测试集上分别进行，不能将测试集的信息泄露到训练集中。
- 不同的数据归一化方法适用于不同的数据类型和应用场景，需要根据具体情况选择合适的方法。
4. 结论
sklearn中提供了多种数据归一化的方法，包括MinMaxScaler、StandardScaler、RobustScaler等。数据归一化可以提高模型的精度和稳定性，避免因为数据范围不同而导致的模型不稳定的情况。在使用数据归一化时，需要注意数据归一化需要在训练集和测试集上分别进行，不能将测试集的信息泄露到训练集中。不同的数据归一化方法适用于不同的数据类型和应用场景，需要根据具体情况选择合适的方法。