在 https://aistudio.baidu.com/aistudio/projectdetail/1579715 上，是使用飞桨构建波士顿房价预测模型的载入数据的示范代码（代码如下）。

详细阅读后，有几个疑问请大家释疑：

1、代码中有两行 “training_data = data[:offset]”，分别在归一化处理前和归一化处理后，作用都是从整体数据集中切片出悬链数据集。为什么要切片两次？在归一化处理后，切片出训练集和测试集，不是更好吗？归一化处理之前切片出来有什么用？

2、代码中，因为归一化处理之前求的最大值、最小值和平均值，是切片出来的训练集 training_data 的最大、最小和平均值。可是在归一化处理时，却用这几个值对整体数据集 data 进行归一化处理。按理说应该是使用整体数据集 data 的最大、最小和平均值来对整体数据集 data 进行归一化处理才对呀？因为局部数据（训练集数据）的最大、最小和平均值，不一定就是整体数据data的最大、最小和平均值。

3、代码中为什么要对 最大、最小和平均值 声明为 global ？按照代码的注释是为了后面与测试用于归一化处理。可是如上所述，这些最大、最小和平均值是训练集的最大、最小和平均值，与预测的数据集有什么关系？

def load_data():
    # 从文件导入数据
    datafile = './work/housing.data'
    data = np.fromfile(datafile, sep=' ', dtype=np.float32)

    # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
    feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', \
                      'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
    feature_num = len(feature_names)

    # 将原始数据进行Reshape，变成[N, 14]这样的形状
    data = data.reshape([data.shape[0] // feature_num, feature_num])

    # 将原数据集拆分成训练集和测试集
    # 这里使用80%的数据做训练，20%的数据做测试
    # 测试集和训练集必须是没有交集的
    ratio = 0.8
    offset = int(data.shape[0] * ratio)
    training_data = data[:offset]

    # 计算train数据集的最大值，最小值，平均值
    maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \
                                 training_data.sum(axis=0) / training_data.shape[0]
    
    # 记录数据的归一化参数，在预测时对数据做归一化
    global max_values
    global min_values
    global avg_values
    max_values = maximums
    min_values = minimums
    avg_values = avgs

    # 对数据进行归一化处理
    for i in range(feature_num):
        data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

    # 训练集和测试集的划分比例
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data