样本是3维的也可以用scaler.fit_transform归一化吗

是的，`MinMaxScaler.fit_transform()`方法可以用于归一化3维的数据。在这种情况下，每个样本可以看作是一个3维向量，其中每一维都代表样本的一个特征。我们可以将样本数据表示为一个形状为`(n_samples, n_features)`的矩阵，其中`n_samples`表示样本个数，`n_features`表示每个样本的特征维度。例如，如果有100个样本，每个样本有3个特征，则矩阵的形状为`(100, 3)`。

以下是一个归一化3维数据的示例代码：

from sklearn.preprocessing import MinMaxScaler

# 假设X表示3维数据，形状为(n_samples, n_features)
scaler = MinMaxScaler()
X_normalized = scaler.fit_transform(X)

在这个示例代码中，`X`是一个形状为`(n_samples, n_features)`的矩阵，`MinMaxScaler.fit_transform()`方法用于对`X`进行归一化处理，返回值`X_normalized`也是形状为`(n_samples, n_features)`的矩阵，每个元素的取值范围都被缩放到[0, 1]的区间内。