1.编写程序实现以下功能： （1）创建符合下述要求的数组，并做相关运算。 1）创建一个长度为10的一维随机数组（数据元素取值范围为0-10），并对其中的数据元素进行升序排列，以及获取最大值和最小值。 2）已知二维数组arr=[[3., 4., 5.], [6., 7., 8.]],求数组中各个数据元素的倒数，平方根。 （2）对于一个含有N个记录和P个属性的数据集，以principal_component.xls为例，分别对每一个属性取值进行规范化，对原始的数据矩阵分别用最小—最大规范化、零-均值规范化，小数定标规范化进行预处理：

一维随机数组的创建与排序

首先，我们可以使用Python的random模块来创建一个长度为10的一维随机数组，其数据元素的取值范围为0到10。接着，我们将对这个数组进行升序排列，并获取最大值和最小值。

1. 创建随机数组：使用random函数生成10个0到10之间的随机数。
2. 升序排列：使用数组的sort()方法对数组进行升序排序。
3. 获取最大值和最小值：排序后，数组的第一个元素即为最小值，最后一个元素即为最大值。

二维数组元素的倒数和平方根

对于给定的二维数组arr=[[3., 4., 5.], [6., 7., 8.]]，我们可以遍历数组中的每个元素，计算其倒数和平方根。

1. 计算倒数：对于数组中的每个元素，使用1除以该元素得到倒数。
2. 计算平方根：使用math.sqrt()函数计算每个元素的平方根。

数据集属性的规范化处理

对于含有N个记录和P个属性的数据集，例如principal_component.xls，我们需要对每个属性的取值进行规范化处理。这里涉及到三种规范化方法：

1. 最小—最大规范化：将每个属性的值缩放到[0, 1]区间内。
2. 零-均值规范化：将每个属性的值减去其均值，然后除以其标准差，得到均值为0，标准差为1的新值。
3. 小数定标规范化：将每个属性的值除以10的某个幂次，以确保数据在合适的数值范围内。

示例代码

以下是实现上述功能的Python代码示例：

import random
import numpy as np
import math

# 创建长度为10的一维随机数组
random_array = [random.randint(0, 10) for _ in range(10)]
print("原始随机数组:", random_array)

# 升序排列并获取最大值和最小值
random_array.sort()
max_value = random_array[-1]
min_value = random_array[0]
print("升序排列后的数组:", random_array)
print("最大值:", max_value, "最小值:", min_value)

# 给定的二维数组
arr = np.array([[3., 4., 5.], [6., 7., 8.]])

# 计算倒数和平方根
reciprocal_arr = 1 / arr
sqrt_arr = np.sqrt(arr)
print("倒数数组:\n", reciprocal_arr)
print("平方根数组:\n", sqrt_arr)

# 数据规范化处理（示例代码，具体实现需要根据数据集内容调整）
# 假设data是一个NxP的numpy数组
# 最小—最大规范化
min_max_normalized = (data - np.min(data, axis=0)) / (np.max(data, axis=0) - np.min(data, axis=0))

# 零-均值规范化
zero_mean_normalized = (data - np.mean(data, axis=0)) / np.std(data, axis=0)

# 小数定标规范化（示例：除以100）
decimal_scaling_normalized = data / 100

请注意，上述代码仅为示例，实际应用中需要根据具体的数据集和需求进行调整。1379