fit_transform和transform有什么区别？ 为什么直接转换不起作用？
from sklearn.preprocessing import StandardScaler
X_scaler = StandardScaler()
X_train = X_scaler.fit_transform(X_train)
X_test = X_scaler.transform(X_test)
如果直接转换则会出现以下错误
NotFittedError: This StandardScaler instance is not fitted yet. Call 'fit' with appropriate arguments before using this method.
最佳答案
StandardScaler，如per documentation :
Standardize features by removing the mean and scaling to unit variance
因此它需要首先了解数据的均值和方差。
因此需要 fit() 或 fit_transform() ，以便 StandardScaler 可以遍历所有数据来查找均值和方差。那些可以访问
按属性:
mean_ : The mean value for each feature (column) in the training set.
var_ : The variance for each feature in the training set.
请注意，这些数据将针对数据中的每一列单独计算。
在transform()中，它只会使用这些均值和方差值来缩放数据。
现在您可能会说为什么它不在 transform() 期间计算这些属性。这样做是为了以与训练数据相同的方式缩放测试数据(来自 fit_transform())。如果您在每次调用 transform() 时计算数据的均值和方差，那么所有传递的数据将具有不同的比例，这不是您想要的。
这对于所有 scikit 变压器都是如此。
1) fit() - 只会遍历数据并保存数据的所有需要的属性
2) transform() - 使用 fit() 保存的属性来更改数据
3) fit_transform() - fit() 的实用函数，然后 transform() 相同的数据。
通常，您会在训练数据上调用 fit_transform()，而在测试数据上仅调用 transform()。
关于python-3.x - sklearn StandardScaler，不允许直接变换，我们需要 fit_transform，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/51988030/