RobustScaler 更抗离群点，因其使用中位数和四分位距（IQR）进行中心化与缩放，而中位数和IQR对离群点不敏感；StandardScaler依赖易受极端值影响的均值和标准差。
RobustScaler 为什么比 StandardScaler 更抗离群点
因为 RobustScaler 用中位数和四分位距（IQR）做中心化与缩放，而不是均值和标准差。均值和标准差会被极端值明显拖偏，而中位数和 IQR 对单个或少量离群点几乎不敏感。
比如你有一列数据 [1, 2, 3, 4, 100]：
- StandardScaler 算出的均值是 22，标准差约 44 → 缩放后正常值全被压到接近 0；
- RobustScaler 中位数是 3，IQR 是 2 → 缩放后 [1, 2, 3, 4] 仍保持合理间距，100 被“忽略”但不影响其他点。
- 适用场景：特征含明显离群点（如用户消费金额、响应延迟、传感器瞬时噪声）且你不想手动剔除
- 不适用场景：数据本就服从正态分布、离群点其实是关键信号（如欺诈检测中的异常值本身要保留语义）
-
RobustScaler默认用quantile_range=(25, 75)，可调成(10, 90)加宽范围，但会略微降低鲁棒性
fit 时用全部训练集，别在 pipeline 里偷偷切片
常见错误是先用 train_test_split 分好数据，再对 X_train 单独 fit RobustScaler，然后拿 transform 处理 X_test —— 这本身没错。但一进 sklearn.pipeline.Pipeline，有人会误把 RobustScaler 和模型一起放进 cross_val_score，结果每次 CV 折都用当前折的训练子集去 fit，导致 IQR 波动大、缩放不稳定。
- 正确做法：在 pipeline 外显式
scaler.fit(X_train)，再传入Pipeline([('scaler', scaler), ('model', model)]) - 或者用
make_column_transformer+RobustScaler，但确保remainder='passthrough'不干扰数值列 - 验证方式：检查
scaler.center_和scaler.scale_在不同 CV 折中是否基本一致；若差异大，说明 pipeline 内部fit逻辑没锁住
和 OneHotEncoder 混用时，顺序不能错
如果你对类别型变量用 OneHotEncoder、数值型变量用 RobustScaler，必须让 RobustScaler 只作用于数值列，且在 OneHotEncoder 输出之后不再对其结果做缩放 —— 否则会把稀疏的 0/1 编码也拉到 -1~1 区间，破坏其语义。
- 推荐组合：
ColumnTransformer显式指定列名或索引，例如transformers=[('num', RobustScaler(), num_cols), ('cat', OneHotEncoder(), cat_cols)] - 避免直接对
pd.get_dummies后的 DataFrame 全局调RobustScaler—— 它会把所有列当数值处理 - 注意
OneHotEncoder的sparse_output=False（新版默认），否则RobustScaler无法处理稀疏矩阵
离群点没消失，只是缩放后影响变小了
RobustScaler 不删除离群点，也不截断它们。它只是让模型在训练时“不太容易被带偏”。如果原始数据里有个值是 1e6，缩放后可能还是 100+（取决于 IQR），依然远大于其他点。这时候光靠缩放不够，得结合模型自身鲁棒性设计。
- 树模型（
RandomForestRegressor,XGBRegressor）天然对输入缩放不敏感，RobustScaler主要是为线性模型、SVM 或神经网络服务 - 若离群点密度高（比如 >5% 样本），
RobustScaler效果会打折扣，考虑配合IsolationForest或LocalOutlierFactor做预筛选 - 缩放后务必检查训练集和测试集的
X_scaled.max(axis=0)，如果某列最大值仍超 100，说明该列离群程度高，可能需要额外处理
真正起作用的从来不是某个 scaler，而是你是否清楚离群点来自哪里、是否该被当作噪声、以及下游模型吃不吃得下这种分布——RobustScaler 只是帮你把问题控制在可处理范围内。
