在进行类神经网络之前，数据准备是一个至关重要的步骤，它可以显著影响模型的性能和训练效率。以下是对选项的分析：

A: 将所有数值属性转成类别属性
这种做法通常是不合理的。数值属性包含了连续的数值信息，而将其转为类别属性会导致信息丢失，无法利用数值之间的关系。因此，这不是一个好的选择。

B: 将所有类别属性直接用0, 1, 2, 3取代成数值型属性
这种方法被称为“标签编码”，但直接使用这种方法可能会导致模型误解类别之间的关系（如认为类别2比类别1大）。对于无序类别变量，通常使用“独热编码”（one-hot encoding）来避免这个问题。

C: 将数据正规化于0到1之间
这个步骤非常重要。正规化（或标准化）可以帮助加速神经网络的训练过程，并可能提高模型的性能。常用的方法包括将数据缩放到0到1之间，或将其标准化为均值为0、标准差为1的分布。

D: 不需要任何准备
这种说法是不正确的。未经处理的数据可能会导致模型收敛缓慢或无法收敛，尤其是在数值范围差异较大的情况下。

综上所述，C是最正确的答案。数据正规化是神经网络数据准备的重要步骤之一。此外，处理类别属性时应考虑使用独热编码等合适的方法。数据准备通常还包括处理缺失值、去除异常值和特征选择等步骤，以提高模型的质量和性能。