Normalizer算法用于处理数据标准化以及规范化，缩小数据元素之间的范围差距，让数据元素保持在[-1,1]范围内，更加易于执行数据分析，例如，给定一个向量数据集合以及指定一个参数p，输出数据标准化的向量数据集合。
当p=1时，p的范数Norm的计算公式：
当p=2时，p的范数Norm的计算公式：
当p=infinity时，p的范数Norm的计算公式：
当p=其他值时，p的范数Norm的计算公式：
向量数据集合的数据元素的数据规范化的计算公式：
Java代码示例
在Java本地开发环境中，创建Normalizer算法测试类，初始化spark实例：
定义测试数据集合，设置数据集合的列名称以及数据类型，对数据集合执行初始化，生成spark数据类型的数据集合：
设置p=1，执行特征转换，输出数据标准化的向量数据集合：
设置p=infinity，执行特征转换，输出数据标准化的向量数据集合：
运行Java代码，特征转换输出的数据集合：
Scala代码示例
与Java代码示例的功能逻辑相同：
启动spark-shell的Scala本地运行环境：
运行Normalizer算法代码：
特征转换输出的数据集合：
