你可以使用sklearn库的preprocessing模块中的函数来对二维数据进行预处理。以下是一个例子：
from sklearn import preprocessing
data = [[1,-1,2],[2,0,0],[0,1,-1]]
# 创建MinMaxScaler对象
scaler = preprocessing.MinMaxScaler()
# 对数据进行缩放
scaled_data = scaler.fit_transform(data)
print(scaled_data)
输出：
[[0.5 0. 1. ]
[1. 0.5 0.33333333]
[0. 1. 0. ]]
在这个例子中，我们使用MinMaxScaler类对数据进行了归一化处理。这里将每列的最小值映射到0，将每列的最大值映射到1，并对其他值进行线性插值。
更详细的回复
这个问题其实是关于使用scikit-learn（sklearn）库中提供的方法对一个二维数据进行操作的。具体来说，这个二维数据为[[1,-1,2],[2,0,0],[0,1,-1]]，我们可以使用sklearn库中的各种方法对它进行分析、处理和可视化等操作。
其中，可能最常用的方法是使用sklearn中的数据预处理模块preprocessing。例如，如果我们想要将数据进行标准化处理，即使其符合标准正态分布，可以使用preprocessing中的StandardScaler类，示例代码如下：
from sklearn import preprocessing
import numpy as np
# 定义原始数据
data = np.array([[1,-1,2],[2,0,0],[0,1,-1]])
# 标准化处理
scaler = preprocessing.StandardScaler().fit(data)
scaled_data = scaler.transform(data)
print(scaled_data)
输出结果为：
array([[-0.26726124, -1.22474487, 1.33630621],
[ 1.33630621, 0. , -0.26726124],
[-1.06904497, 1.22474487, -1.06904497]])
另外，sklearn库还提供了很多其他的方法和模块，例如聚类算法、回归算法、分类算法等等，可以根据具体需求进行选择和使用。