sklearn数据标准化

在使用机器学习算法时，通常需要对数据进行标准化处理。标准化可以使不同特征的值处于同一量级，避免特征值之间的差异影响模型的性能。scikit-learn中提供了多种数据标准化的方法，下面简单介绍两种常用的方法：

1. 标准化（StandardScaler）

标准化是一种常用的数据标准化方法，将数据转化为均值为0，方差为1的分布。在scikit-learn中，可以使用StandardScaler来实现标准化。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_train_std = scaler.fit_transform(X_train)
X_test_std = scaler.transform(X_test)

其中，fit_transform方法可以同时对训练集和测试集进行标准化，fit方法只需要对训练集进行标准化，transform方法可以使用训练集的标准化方法对测试集进行标准化。

2. 归一化（MinMaxScaler）

归一化是将数据转化为0到1之间的分布，也是一种常用的数据标准化方法。在scikit-learn中，可以使用MinMaxScaler来实现归一化。

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
X_train_std = scaler.fit_transform(X_train)
X_test_std = scaler.transform(X_test)

与标准化类似，fit_transform方法可以同时对训练集和测试集进行归一化，fit方法只需要对训练集进行归一化，transform方法可以使用训练集的归一化方法对测试集进行归一化。