数据预处理——fit()函数，transform()函数，fit_transform()函数

一. 前言

sklearn里的封装好的各种算法使用前都要fit，fit相对于整个代码而言，为后续API服务。fit之后，然后调用各种API方法，transform只是其中一个API方法，所以当你调用transform之外的方法，也必须要先fit。fit_transform与transform运行结果一致，但是fit与transform无关，只是数据处理的两个环节，fit是为了程序的后续函数transform的调用而服务的，是个前提条件

二. 区别

1.有监督学习的算法fit(x,y)传两个参数。无监督学习的算法是fit(x)，即传一个参数，比如降维、特征提取、标准化。

2.fit_transform是fit和transform的组合。是将fit和transform合并，一步到位的结果。

3.fit_transform()的作用就是先拟合数据，然后转化它将其转化为标准形式。

4.tranform()的作用是通过找中心和缩放等实现标准化。

5.注意这是数据预处理中的方法：
Fit(): Method calculates the parameters μ and σ and saves them as internal objects.
解释：简单来说，就是求得训练集X的均值啊，方差啊，最大值啊，最小值，这些训练集X固有的属性。可以理解为一个训练过程

Transform(): Method using these calculated parameters apply the transformation to a particular dataset.
解释：在Fit的基础上，进行标准化，降维，归一化等操作（看具体用的是哪个工具，如PCA，StandardScaler等）。

Fit_transform(): joins the fit() and transform() method for transformation of dataset.
解释：fit_transform是fit和transform的组合，既包括了训练又包含了转换

三. 相同点

1.transform()和fit_transform()二者的功能都是对数据进行某种统一处理（比如标准化~N(0,1)，
将数据缩放(映射)到某个固定区间，归一化，正则化等）
2.fit_transform(trainData)对部分数据先拟合fit，找到部分数据的整体指标，如均值、方差、最大值最小值等等（根据具体转换的目的），然后对trainData进行转换transform，从而实现数据的标准化、归一化等等。根据对之前部分trainData进行fit的整体指标，对剩余的数据（testData）使用同样的均值、方差、最大最小值等指标进行转换transform(testData)，从而保证train、test处理方式相同。
示例：

#标准化数据，保证每个维度的特征数据方差为1，均值为0。使得预测结果不会被某些维度过大的特征值而主导
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
sc.fit_tranform(X_train)
sc.tranform(X_test)

四. 注意点

必须先用fit_transform(trainData)，之后再transform(testData)。如果直接transform(testData)，程序会报错。如果fit_transfrom(trainData)后，使用fit_transform(testData)而不使用transform(testData)，虽然也能归一化，但是两个结果不是在同一个“标准”下的，具有明显差异。(一定要避免这种情况)

五. 为何训练集使用fit_transform(),而测试集使用tranform(),不再使用fit_transform();

因为在trainData的时候，已经使用fit()或者fit_transform得到了整体的指标（均值，方差等），所以在测试集上直接transform()，使用之前的指标，如果在测试集上再进行fit()，由于两次的数据不一样，导致得到不同的指标，会使预测发生偏差，因为模型是针对之前的数据fit()出来的标准来训练的，而现在的数据是新的标准，会导致预测的不准确。

fit_transform()干了两件事：fit找到数据转换规则，并将数据标准化。transform：是将数据进行转换，比如数据的归一化和标准化，将测试数据按照训练数据同样的模型进行转换，得到特征向量。
可以直接把转换规则拿来用，所以并不需要fit_transform()，否则，两次标准化后的数据格式（或者说数据参数）就不一样了