sklearn.preprocessing中scale和standardscaler
区别：正态分布的平均数为μ，标准差为σ；不同的正态分布可能有不同的μ值和σ值，正态分布曲线形态因此不同。
标准正态分布平均数μ=0，标准差σ=1，μ和σ都是固定值；标准正态分布曲线形态固定。（数据标准化是将正太分布变为标准正太分布）
在进行数据标准化时，我们通常有两种方法
1
将测试集和训练集的特征集放在一起，用整体的均值和标准差来进行标准化处理
X_scaled = preprocessing.scale(X)
2
先算训练集的均值和标准差，然后用它们来分别对训练集和测试集进行标准化处理
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_classification
from sklearn.svm import SVC
from sklearn import preprocessing
import matplotlib.pyplot as plt
X, y = make_classification(
n_samples=300, n_features=2,
n_redundant=0, n_informative=2,
random_state=22, n_clusters_per_class=1,
scale=100)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
# ss_X = preprocessing.StandardScaler()
# ss_y = preprocessing.StandardScaler()
# X_train = ss_X.fit_transform(X_train)
# print(X_test)
# X_test = ss_X.transform(X_test)
# print('--------')
# print('--------')
# print('--------')
# print(X_test)
我如果用下面的方法，会报sklearn.exceptions.NotFittedError: This StandardScaler instance is not fitted yet. Call ‘fit’ with appropriate arguments before using this estimator.翻译成中文，notfittederror:这个StandardScaler实例还没有安装。在使用这个估计值之前，用适当的参数调用“fit”。（把preprocessing.StandardScaler()的括号去掉更不对了，会直接在
Scaler=preprocessing.StandardScaler().fit_transform(X_train)
这行报错，TypeError: fit_transform() missing 1 required positional argument: ‘X’。）
Scaler=preprocessing.StandardScaler().fit_transform(X_train)
#print(X_test)
X_test=preprocessing.StandardScaler().transform(X_test)
print(X_test)
#print(X_test)
这里之所以错是因为我感觉ss_X = preprocessing.StandardScaler()，
进行完这步后，ss_X得到训练集的均值和标准差，我们才能用ss_X
继续来分别对训练集和测试集进行标准化处理。
两次都用preprocessing.StandardScaler()，语法规则没错，但是其实每次都是新生成一个对象，第一个preprocessing.StandardScaler()可以认为是ss_X，第二个就不是了。（以上仅为个人猜测，欢迎斧正）