scikit-learn提供了一系列轉換庫，他們可以清洗，降維，提取特征等。
在數據轉換中有三個很重要的方法，fit，fit_transform,transform
ss=StandardScaler() X_train = ss.fit_transform(X_train) X_test = ss.transform(X_test)- 1
- 2
- 3
初學時候好奇為何，訓練樣本用fit_transform，而測試樣本用transform？
仔細閱讀官方文檔發現，fit方法是用於從一個訓練集中學習模型參數，其中就包括了歸一化時用到的均值，標准偏差。transform方法就是用於將模型用於位置數據，fit_transform就很高效的將模型訓練和轉化合並到一起，訓練樣本先做fit，得到mean，standard deviation，然后將這些參數用於transform（歸一化訓練數據），使得到的訓練數據是歸一化的，而測試數據只需要在原先得到的mean，std上來做歸一化就行了，所以用transform就行了。
StandardScaler對矩陣作歸一化處理，變換后的矩陣各特征均值為0，方差為1
網上抄來抄去都是一個意思，
fit_transform是fit和transform的組合。
我們知道fit（x，y）在新手入門的例子中比較多，但是這里的fit_transform(x)的括號中只有一個參數，這是為什么呢？
fit(x,y)傳兩個參數的是有監督學習的算法，fit(x)傳一個參數的是無監督學習的算法，比如降維、特征提取、標准化
然后解釋為什么出來fit_transform（）這個東西，下面是重點：
fit和transform沒有任何關系，之所以出來這么個函數名，僅僅是為了寫代碼方便，
所以會發現transform（）和fit_transform（）的運行結果是一樣的。
注意：運行結果一模一樣不代表這兩個函數可以互相替換，絕對不可以！！！
transform函數是一定可以替換為fit_transform函數的
fit_transform函數不能替換為transform函數！！！理由解釋如下：
sklearn里的封裝好的各種算法都要fit、然后調用各種API方法，transform只是其中一個API方法，所以當你調用除transform之外的方法，必須要先fit，為了通用的寫代碼，還是分開寫比較好
也就是說，這個fit相對於transform而言是沒有任何意義的，但是相對於整個代碼而言，fit是為后續的API函數服務的，所以fit_transform不能改寫為transform。