scaler = StandardScaler()，对三维数组(n_samples, n_time_steps, n_features)标准化

如果你的三维数组的形状为 `(n_samples, n_time_steps, n_features)`，你可以按以下方式在每个特征维度上对其进行标准化：

from sklearn.preprocessing import StandardScaler
import numpy as np

# 创建 StandardScaler 对象并对数据进行标准化
scaler = StandardScaler()

# 对每个特征维度和时间步长分别进行标准化
for i in range(n_features):
    for j in range(n_time_steps):
        # 获取当前特征维度和时间步长的数据
        data = X[:, j, i].reshape(-1, 1)
        
        # 对数据进行标准化
        scaler.fit(data)
        X[:, j, i] = scaler.transform(data).reshape(-1,)

这里我们使用了两个 for 循环，分别迭代每个特征维度和时间步长，然后对每个特征维度和时间步长的数据进行标准化。对于每个特征维度和时间步长，我们首先使用 `X[:, j, i]` 语句获取该数据，然后将其转换为二维数组，并使用 `StandardScaler` 对象对其进行拟合和转换。最后，我们将数据重新赋值给 `X[:, j, i]`，并将其形状转换为一维数组。

需要注意的是，这种方法假设每个特征维度和时间步长之间没有相关性。如果你的数据在特征维度和时间步长之间具有相关性，你可能需要使用其他方法来对其进行预处理。