如果我没理解错的话，您要做的是除以每列中的最大值，您可以使用broadcasting轻松地完成此操作。
从示例数组开始：

import numpy as np

x = np.array([[1000,  10,   0.5],
              [ 765,   5,  0.35],
              [ 800,   7,  0.09]])

x_normed = x / x.max(axis=0)

print(x_normed)
# [[ 1.     1.     1.   ]
#  [ 0.765  0.5    0.7  ]
#  [ 0.8    0.7    0.18 ]]

x.max(0)取第0维（即行）上的最大值。这将为您提供一个大小为(ncols,)的向量，其中包含每列中的最大值。然后，您可以将x除以此向量，以便规范化您的值，使每列中的最大值缩放为1。
如果x包含负值，则需要先减去最小值：

x_normed = (x - x.min(0)) / x.ptp(0)

在这里，x.ptp(0)返回沿着轴0的“峰到峰”（即范围，最大值-最小值）。这种规范化还保证每列中的最小值为0。

您可以使用sklearn.预处理：

from sklearn.preprocessing import normalize
data = np.array([
    [1000, 10, 0.5],
    [765, 5, 0.35],
    [800, 7, 0.09], ])
data = normalize(data, axis=0, norm='max')
print(data)
>>[[ 1.     1.     1.   ]
[ 0.765  0.5    0.7  ]
[ 0.8    0.7    0.18 ]]