在Python中，可以使用scikit-learn库中的StandardScaler类来实现数据标准化。以下是一个简单的示例：
首先，确保已经安装了scikit-learn库。如果没有安装，可以使用以下命令进行安装：
pip install scikit-learn
然后，假设我们有一个包含数值型数据的DataFrame df，我们可以按照以下步骤进行标准化：
import pandas as pd
from sklearn.preprocessing import StandardScaler
# 创建一个示例DataFrame
data = {'A': [1, 2, 3, 4, 5], 'B': [10, 20, 30, 40, 50]}
df = pd.DataFrame(data)
# 初始化StandardScaler对象
scaler = StandardScaler()
# 使用fit_transform方法对数据进行标准化
scaled_data = scaler.fit_transform(df)
# 将标准化后的数据转换为DataFrame
scaled_df = pd.DataFrame(scaled_data, columns=df.columns)
print(scaled_df)
输出结果：
A B
0 -1.22474487 -1.22474487
1 -0.61237244 -0.61237244
2 0.00000000 0.00000000
3 0.61237244 0.61237244
4 1.22474487 1.22474487
在这个示例中，我们首先创建了一个包含数值型数据的DataFrame df。然后，我们初始化了一个StandardScaler对象，并使用fit_transform方法对数据进行标准化。最后，我们将标准化后的数据转换为一个新的DataFrame scaled_df并打印出来。
需要注意的是，StandardScaler会将数据缩放到均值为0，标准差为1的分布。这意味着数据的每个特征都将具有相同的尺度，从而使它们在后续的机器学习任务中具有更好的可比性。
