Чтобы нормализовать двумерную матрицу в диапазоне от 0 до 1 в Python, вы можете использовать несколько методов. Вот несколько часто используемых подходов:

1. Использование Scikit-learn:
   Вы можете использовать класс MinMaxScaler из библиотеки scikit-learn для нормализации матрицы. Вот пример:

   from sklearn.preprocessing import MinMaxScaler
   def normalize_matrix(matrix):
      scaler = MinMaxScaler()
      normalized_matrix = scaler.fit_transform(matrix)
      return normalized_matrix

2. Использование NumPy:
   Если вы уже работаете с массивами NumPy, вы можете использовать его встроенные функции для нормализации матрицы. Вот пример:

   import numpy as np
   def normalize_matrix(matrix):
      min_val = np.min(matrix)
      max_val = np.max(matrix)
      normalized_matrix = (matrix - min_val) / (max_val - min_val)
      return normalized_matrix

3. Ручная нормализация.
   Если вы предпочитаете ручной подход, вы можете перебрать элементы матрицы и нормализовать их вручную. Вот пример:

   def normalize_matrix(matrix):
      min_val = float('inf')
      max_val = float('-inf')
      # Find the minimum and maximum values
      for row in matrix:
          min_val = min(min_val, min(row))
          max_val = max(max_val, max(row))
      # Normalize the matrix
      normalized_matrix = []
      for row in matrix:
          normalized_row = [(val - min_val) / (max_val - min_val) for val in row]
          normalized_matrix.append(normalized_row)
      return normalized_matrix

Это всего лишь несколько методов нормализации 2D-матрицы в Python. Не забудьте выбрать метод, который лучше всего соответствует вашим конкретным требованиям.