StandardScaler将数据标准化为均值0、标准差1，适用于SVM等对量纲敏感的模型，须用同一scaler对训练集fit_transform、测试集transform；MinMaxScaler缩放到[0,1]区间，依赖训练集极值，超范围值会导致越界。
StandardScaler 会让数据服从均值为0、标准差为1的分布
它对每列特征做 z = (x - mean) / std 变换，本质是中心化 + 标准化。适用于大多数基于距离或梯度的模型（比如 SVM、LogisticRegression、KMeans），因为这些模型对量纲和数值范围敏感。
常见错误现象：StandardScaler 在训练集上拟合后，必须用同一个 fit_transform（训练集）和 transform（验证/测试集）——如果对测试集重新 fit，会导致数据泄露和评估失真。
- 训练阶段：用
scaler.fit_transform(X_train) - 推理阶段：只调用
scaler.transform(X_test)，绝不能fit_transform或fit - 如果含缺失值，
StandardScaler默认不处理，会报ValueError: Input contains NaN，需提前用SimpleImputer填充
MinMaxScaler 把每列缩放到固定区间，默认是 [0, 1]
它执行的是线性变换：x_scaled = (x - min) / (max - min)，再乘以区间长度并平移。适合需要明确边界（比如图像像素归一化、神经网络输入）、或对异常值相对鲁棒的场景。
注意：它的缩放结果完全依赖于训练集的 min 和 max。一旦测试数据出现超出训练集范围的值（比如新样本的某特征 > 训练集最大值），就会得到 > 1 或 的结果——这本身不是错误，但可能影响模型稳定性。
立即学习“Python免费学习笔记（深入）”；
- 默认区间是
feature_range=(0, 1)，也可设为(-1, 1)等 - 对离群点敏感：若训练集中存在极端异常值，
min/max会被拉偏，导致大部分正常数据被压缩到极窄区间 - 不改变原始分布形状，只是线性拉伸/平移
选哪个？关键看模型假设和数据特性
没有绝对优劣，区别在于你是否需要“消除量纲”还是“控制数值范围”。
- 用
StandardScaler：模型假设输入近似正态（如线性判别分析LDA）、或优化器（如 SGD）在各方向梯度更新更均衡 - 用
MinMaxScaler：输入层要求 [0,1]（如某些激活函数）、下游算法显式依赖边界（如DBSCAN的eps参数）、或你想保留特征相对大小关系（比如“用户停留时长”始终大于“点击次数”，缩放后也保持） - 都不行时考虑
RobustScaler：用中位数和四分位距，抗异常值
fit 和 transform 必须严格分离，且不能跨列混用
很多人在 pipeline 中误把 X_train 和 y_train 一起传给 scaler——StandardScaler 和 MinMaxScaler 都只处理 X（二维数组），对 y（标签）调用会报 ValueError: Expected 2D array, got 1D array。
- 正确做法：只对特征矩阵
X缩放，y原样保留 - 列顺序不能变：训练时第3列是“年龄”，预测时第3列也必须是“年龄”，否则缩放参数错位
- DataFrame 使用时，
scaler.fit_transform(df[['a','b']])返回 ndarray；若要保留列名和索引，得手动转回DataFrame
实际项目里最容易被忽略的，是训练集和测试集共享同一套 scaler 参数这件事——它不像模型权重那么显眼，但一旦漏掉或写错，整个实验的可复现性和线上效果都会出问题。
