StandardScaler不是必须用，但在KMeans、SVM等依赖距离或梯度的模型中不用易出错；需注意数据泄露、离群点处理及类别特征误标准化等问题，且必须在PCA前使用。
StandardScaler 不是“必须用”，而是**在特定模型和数据结构下不用就大概率出错**。比如你跑 KMeans 或 SVM 时发现聚类结果全挤在一条线上、分类边界歪得离谱，十有八九是忘了标准化。
哪些模型真正在意标准化？
不是所有模型都敏感，但以下几类不标准化就容易失效：
-
KMeans、AgglomerativeClustering：它们依赖欧氏距离，而距离对量纲极度敏感——年收入(5000–200000)和年龄(18–80)放一起算距离，前者贡献占比常超95% -
KNeighborsClassifier、SVC、LogisticRegression（尤其带L2正则）：距离或梯度更新被大数值特征主导，收敛慢甚至发散 -
PCA前必须标准化：否则主成分方向由方差大的特征决定，而非协方差结构；PCA默认只中心化，不缩放，所以得靠StandardScaler先做
StandardScaler 为什么常踩坑？
它看似简单，实操中几个关键点一错就污染整个流程：
- 在训练集+验证集+测试集上一起调用
fit_transform→ 导致验证/测试数据信息泄露，正确做法是只对训练集fit_transform，其余用transform - 对含大量离群点的特征（如用户单日点击数）仍硬套
StandardScaler→ 均值和标准差被拉偏，建议换RobustScaler（用中位数和四分位距） - 把
gender编码后的0/1列也丢进StandardScaler→ 没必要，还可能干扰后续解释性（比如 SHAP 值计算）
什么时候可以跳过标准化？
别把“标准化”当教条，有些场景它反而有害：
- 用
DBSCAN且eps是按物理单位设定的（如经纬度坐标+eps=0.001对应约110米）→ 标准化会破坏距离的实际意义 - 所有特征本就是同一量纲、同数量级（例如已做过
PCA的前3个主成分）→ 各列方差已归一，再缩放无意义 - 用余弦相似度代替距离（如
cosine_similarity）→ 它只看向量夹角，与长度无关，标准化不改变结果
标准化必须在降维之前做
这是最容易被忽略的顺序问题。如果先 PCA 再 StandardScaler，等于对主成分再次缩放，直接破坏了各主成分的方差解释比例——而 PCA 的数学前提是原始特征已中心化（StandardScaler 隐式完成这步），但没要求缩放。所以流程只能是：StandardScaler → PCA → 模型训练。
立即学习“Python免费学习笔记（深入）”；
