在機器學習中，特征歸一化是一項重要的預處理步驟。特征歸一化的目的是將不同范圍的特征值縮放到相同的范圍，并且在一些模型中能夠提升模型的效果。

import numpy as np
def min_max_scaling(feature):
"""
min-max scaling，歸一化到[0, 1]之間
"""
return (feature - np.min(feature)) / (np.max(feature) - np.min(feature))
def z_score_scaling(feature):
"""
z-score scaling，標準差歸一化
"""
return (feature - np.mean(feature)) / np.std(feature)

代碼中實現了兩種常見的特征歸一化方法，分別是min-max scaling和z-score scaling。

min-max scaling將特征值縮放到[0,1]之間，公式為：

X' = (X - X_min) / (X_max- X_min)

其中，X是原始特征值，X'_min和X'_max是歸一化后的區間值。

z-score scaling則是將特征值轉化為標準正態分布，公式為：

X' = (X - μ) / σ

其中，μ是特征值的均值，σ是特征值的標準差，X'是歸一化后的特征值。

在python中，我們可以使用numpy庫來實現特征歸一化的操作。使用該庫可以方便地對整個數組或者矩陣進行向量化操作，提高了代碼的效率。