在Scikit-learn中，可以使用以下方法來預處理數據：

1. 標準化數據：可以使用StandardScaler類來將數據進行標準化，使其具有均值為0和標準差為1的分布。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

2. 標簽編碼：對于分類特征，可以使用LabelEncoder類來將其轉換為數值形式。

from sklearn.preprocessing import LabelEncoder

encoder = LabelEncoder()
y_train_encoded = encoder.fit_transform(y_train)
y_test_encoded = encoder.transform(y_test)

3. 獨熱編碼：對于分類特征的多類別，可以使用OneHotEncoder類來將其轉換為獨熱編碼形式。

from sklearn.preprocessing import OneHotEncoder

encoder = OneHotEncoder()
X_train_encoded = encoder.fit_transform(X_train)
X_test_encoded = encoder.transform(X_test)

4. 缺失值處理：對于缺失值，可以使用Imputer類來填充缺失值，也可以使用SimpleImputer類進行同樣的操作。

from sklearn.impute import SimpleImputer

imputer = SimpleImputer(strategy='mean')
X_train_imputed = imputer.fit_transform(X_train)
X_test_imputed = imputer.transform(X_test)

5. 特征選擇：可以使用SelectKBest類或SelectFromModel類來選擇重要特征。

from sklearn.feature_selection import SelectKBest, chi2

selector = SelectKBest(score_func=chi2, k=2)
X_train_selected = selector.fit_transform(X_train, y_train)
X_test_selected = selector.transform(X_test)

這些是Scikit-learn中常用的數據預處理方法，可以根據具體問題和數據特點選擇合適的方法進行數據預處理。