【scikit-learn】scaler.fit_transform()和transform()的区别与使用

        scikit-learn提供了Scaler来进行数据的标准化处理，例如StandardScaler类是一个用来讲数据进行均值方差归一化的类。
        所谓归一化和标准化，即应用下列公式：

        使得新的X数据集方差为1，均值为0

        在使用Scaler时有transform和fit_transform两种方法，有什么区别呢？

        fit_transform方法是fit和transform的结合，fit_transform(X_train) 意思是找出X_train的均值和标准差，并应用在X_train上。

        这时对于X_test，我们就可以直接使用transform方法。因为此时StandardScaler已经保存了X_train的均值和标准差

        二者的功能都是对数据进行某种统一处理（比如标准化~N(0,1)，将数据缩放(映射)到某个固定区间，归一化，正则化等）
        fit_transform(partData)对部分数据先拟合fit，找到该part的整体指标，如均值、方差、最大值最小值等等（根据具体转换的目的），然后对该partData进行转换transform，从而实现数据的标准化、归一化等等。。
        根据对之前部分fit的整体指标，对剩余的数据（restData）使用同样的均值、方差、最大最小值等指标进行转换transform(restData)，从而保证part、rest处理方式相同。
        必须先用fit_transform(partData)，之后再transform(restData)
        如果直接transform(partData)，程序会报错
        如果fit_transfrom(partData)后，使用fit_transform(restData)而不用transform(restData)，虽然也能归一化，但是两个结果不是在同一个“标准”下的，具有明显差异

        使用示例：

RS = RobustScaler(quantile_range=(20.0, 80.0))
train = RS.fit_transform(train)
test = RS.transform(test)

————————————————
来源：https://blog.csdn.net/qq_35290785/article/details/97050965