StandardScaler和scale均為Z-score標准化，即減去均值µ除以標准差σ
而在進行數據標准化的時候，通常有兩種方式：
1）將訓練集和測試集統一進行標准化處理，此時均值和方差為整個數據的均值和方差
2）得到訓練集的均值和標准差，用測試集的數據減去訓練集的均值除以訓練集的標准差。
在結果上來看，兩種方法區別不大，不過第二種更偏向與實際應用場合。
StandardScaler可以預先生成規則，即生成訓練集的均值與標准差，然后利用訓練集的均值和標准差去分別標准化訓練集和測試集！
有點像概率論里的，用訓練集均值代替期望的感覺！
from sklearn.preprocessing import StandardScaler zscore=StandardScaler().fit(raw_train_data) # 按原始訓練集生成規則，即訓練的均值和標准差 train_data=zscore.transform(raw_train_data) # 講規則應用到訓練集 test_data=zscore.transform(raw_test_data) # 將規則應用到測試集