StandardScaler不适用于明显偏态或含大量异常值的数据，因其依赖的均值和标准差易被离群点污染，导致正常数据被压缩到极窄范围，影响模型性能；必须训练集fit_transform、测试集transform，避免数据泄露。
StandardScaler 什么时候不能用
当你的数据明显偏离正态分布，或者存在大量异常值时，StandardScaler 的效果会变差。它依赖均值和标准差，而这两个统计量本身对离群点非常敏感——一个 1000 的异常值就能把整列的均值拉高、标准差撑大，导致正常数据被压缩到极窄范围内（比如全变成 -0.02 到 0.05），后续模型几乎学不到有效模式。
常见错误现象：fit_transform() 在训练集上算出的 mean 和 std 被异常值污染；测试集调用 transform() 后，大量值落在 [-0.1, 0.1] 区间，KNN 或 SVM 距离计算失效。
- 适用场景：特征近似服从正态分布（如身高、温度、误差项）
- 不适用场景：偏态严重的数据（如用户点击次数、销售额）、含明确上下界的指标（如百分比、评分 1–5）
- 参数无须调整，但必须确保训练集
fit后，测试集只调用transform()
MinMaxScaler 对异常值有多敏感
MinMaxScaler 的缩放完全由训练集的 min 和 max 决定，只要有一个极端值，整个区间就被拉长。例如某列数据是 [10, 20, 30, 40, 1000]，缩放后前四个值全挤在 0.0–0.04 区间，1000 变成 1.0，信息严重失真。
你可能遇到的问题：图像像素归一化没问题（因为天然限幅在 0–255），但直接拿它处理金融交易金额或日志响应时间，模型性能会断崖式下跌。
立即学习“Python免费学习笔记（深入）”；
- 默认缩放到
[0, 1]，可通过feature_range=(−1, 1)改变 - 训练集必须先
fit_transform()，测试集只能transform()——否则测试集自己的min/max会污染一致性 - 如果数据有理论边界（如年龄 0–120、满意度 1–5），可手动传入
feature_range并固定min_/scale_属性，避免被样本极值带偏
RobustScaler 是不是更稳妥的选择
当数据里混着明显异常值，又不想删掉（比如风控场景中高风险样本本身就是关键信号），RobustScaler 往往比 StandardScaler 和 MinMaxScaler 更可靠。它用中位数代替均值、四分位距（IQR）代替标准差，天然抗干扰。
但它不是万能解：缩放后的数据不再有固定区间，也不再中心在 0；某些对输入范围敏感的模型（如某些激活函数饱和区间的神经网络）可能需要额外观察输出分布。
- 核心参数只有
with_centering=True（用中位数）和with_scaling=True（用 IQR），一般保持默认即可 - 注意：
fit_transform()后检查scaler.center_和scaler.scale_，确认中位数和 IQR 没被小样本扰动 - 和
StandardScaler一样，测试集必须复用训练集的center_/scale_，不能重新fit
为什么 fit_transform 和 transform 必须分开用
这是最容易被忽略、也最常引发线上 bug 的点。fit_transform() 不仅做变换，还把训练集的统计量（mean/std、min/max、center_/scale_）存进对象内部；transform() 才是真正“用这些统计量去处理新数据”。如果对测试集也调用 fit_transform()，就等于用测试集自己的分布重新校准，造成数据泄露和评估失真。
典型错误代码：test_scaled = scaler.fit_transform(X_test) —— 这会让模型在验证阶段“偷看”测试数据的统计特性，导致 CV 分数虚高、上线后性能崩塌。
- 训练流程必须是：
scaler.fit_transform(X_train)→scaler.transform(X_val)→scaler.transform(X_test) - 保存模型时，别只存
pipeline或权重，务必一起持久化 scaler 对象（如用pickle.dump或joblib.dump） - 部署时若用不同语言重写预处理逻辑，要严格复现 scaler 内部的
center_和scale_值，不能只记公式
