StandardScaler().fit_transform

### 使用 `StandardScaler` 进行数据标准化

为了实现数据的标准化处理，可以采用 `sklearn.preprocessing.StandardScaler` 类。此过程涉及创建 `StandardScaler` 的实例并调用其 `fit_transform()` 方法来一次性完成拟合与转换操作。

#### 创建 `StandardScaler` 实例
在应用 `StandardScaler` 之前，需导入该类并通过初始化创建一个新的对象[^2]：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()

#### 应用 `fit_transform` 方法
`fit_transform()` 方法能够同时执行两个动作：一是基于输入数据集计算均值和标准差；二是利用这些统计量对同一组数据实施零均值、单位方差变换。下面给出具体的应用示例[^3]：

import numpy as np

# 构造模拟数据矩阵 X (n_samples, n_features)
X = np.array([[1., -1., 2.], [2., 0., 0.], [0., 1., -1.]])
print("原始数据:\n", X)

# 初始化 StandardScaler 对象
scaler = StandardScaler()

# 调用 fit_transform 函数进行数据预处理
standardized_X = scaler.fit_transform(X)
print("\n经过标准化后的数据:\n", standardized_X)

上述代码片段展示了如何定义一个简单的二维数组作为待处理的数据样本集合，并通过 `fit_transform()` 完成对其的标准正态化转换。最终输出的结果将是具有近似于零的平均数以及接近于一的标准偏差的新特征向量[^4]。