sklearn.preprocessing.StandardScaler

class sklearn.preprocessing.StandardScaler(*, copy=True, with_mean=True, with_std=True)

通过去除平均值和缩放到单位方差来标准化特征

样本x的标准得分计算如下:
z = (x - u) / s

其中u是训练样本的平均值，如果with_mean=False则为0,s是训练样本的标准差，如果with_std=False则为1。

通过计算训练集中样本的相关统计量，对每个特征分别定心和缩放。然后将均值和标准差存储起来，用于以后的 transform。

数据集的标准化是许多机器学习估计器的共同要求:如果单个特征或多或少看起来不像标准正态分布数据(例如，具有0均值和单位方差的高斯分布)，它们可能会表现糟糕。

例如，在学习算法的目标函数中使用的许多原理(如支持向量机的RBF核或线性模型的L1和L2正则化器)假定所有特征都以0为中心，并且具有相同顺序的方差。如果一个特征的方差比其他特征大一个数量级，那么它可能会主导目标函数，使估计器无法像预期的那样正确地从其他特征中学习。

该标量也可以应用于稀疏CSR或CSC矩阵，通过传入with_mean=False避免破坏数据的稀疏结构。

Parameters
copybool, default=True	如果为False，则尽量避免复制，而是进行原位缩放。这并不能保证总是有效;例如，如果数据不是NumPy数组或scipy。稀疏CSR矩阵，仍然可以返回一个副本。
with_meanbool, default=True	如果为True，则在伸缩前将数据居中。这在尝试稀疏矩阵时不起作用(并且会引发异常)，因为将它们居中需要构建一个密集的矩阵，而在通常的用例中，它可能太大而无法装入内存。
with_stdbool, default=True	如果为True，将数据缩放为单位方差(或等效为单位标准差)
Attributes

Attributes
scale_ndarray of shape (n_features,) or None	每个特征相对缩放的数据，以实现零均值和单位方差。通常这是用np.sqrt(var_)计算的。如果方差为零，我们不能实现单位方差，数据保持原样，比例因子为1。当with_std=False时scale_等于None。
mean_ndarray of shape (n_features,) or None	训练集中每个特征的平均值。当with_mean=False时等于None。
var_ndarray of shape (n_features,) or None	训练集中每个特征的方差。用于计算scale_。当with_std=False时等于None。
n_samples_seen_int or ndarray of shape (n_features,)	估计器对每个特征处理的样本数。如果没有缺少样本，n_samples_seen将是一个整数，否则它将是一个dtype int数组。如果使用了sample_weights，它将是一个浮点数(如果没有丢失数据)或一个dtype浮点数数组，它将对到目前为止看到的权重求和。将在新调用时重置以适应，但在partial_fit调用中递增。

Methods
fit(X, y=None, sample_weight=None)
计算用于以后缩放的平均值和std。

Parameters
X:{array-like, sparse matrix} of shape (n_samples, n_features)	用于计算以后沿特征轴缩放的平均值和标准差的数据。
y:None	忽略
sample_weight：array-like of shape (n_samples,), default=None	每个样本的权重。0.24新版功能:对StandardScaler的参数sample_weight支持。

Returns
self：object	Fitted scaler.

fit_transform(X, y=None, **fit_params)

适合数据，然后转换它。
使用可选参数fit_params将转换器匹配到X和y，并返回X的转换版本。

Parameters
X：array-like of shape (n_samples, n_features)	输入样本
y：array-like of shape (n_samples,) or (n_samples, n_outputs), default=None	目标值(无监督转换为None)。【Target values 】
**fit_params：dict	其他合适的参数。

Returns
X_new：ndarray array of shape (n_samples, n_features_new)	转换后的数组

get_params(deep=True)

获取此估计器的参数。

Parameters
deep：bool, default=True	如果为True，将返回此评估器的参数和包含的是评估器的子对象。

Returns
paramsdict	参数名映射到它们的值

transform(X, copy=None)

通过居中和缩放执行标准化

Parameters
X：{array-like, sparse matrix of shape (n_samples, n_features)	用于沿特征轴进行缩放的数据。
copy：bool, default=None	是否复制输入X。

Returns
X_tr：{ndarray, sparse matrix} of shape (n_samples, n_features)	转换后的数组