在早期版本的sklearn的MinMaxScaler中，可以根据指定的最小值和最大值来规范化数据。换句话说，以下是可能的：
from sklearn import preprocessingimport numpy as npx_data = np.array([[66,74,89], [1,44,53], [85,86,33], [30,23,80]])scaler = preprocessing.MinMaxScaler()scaler.fit ([-90, 90])b = scaler.transform(x_data)这会使上述数组按范围(0,1)进行缩放，其中最小可能值-90变为0，最大可能值90变为1，中间的所有值相应地进行缩放。在sklearn的0.21版本中，这会引发错误：
ValueError: Expected 2D array, got 1D array instead:array=[-90. 90.].Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.我将scaler.fit ([-90, 90])改为scaler.fit ([[-90, 90]])，但随后我得到了：
ValueError: operands could not be broadcast together with shapes (4,3) (2,) (4,3)我知道可以使用scaler.fit (x_data)，但这在转换后会导致以下结果：
[0. 0.33333333 0.35714286] [1. 1. 0. ] [0.3452381 0. 0.83928571]]我对这个结果有两个问题：1）这些数字似乎不正确。它们应该在0到1之间缩放，但我得到了许多0和1，这些值应该分别更高和更低。2）如果我想根据固定的范围（例如-90到90）将每个未来的数组缩放到(0,1)范围内，该怎么办？这是一个方便的功能，但现在我必须使用特定的数组来进行缩放。此外，每次都需要重新拟合未来的数组，因此缩放会产生不同的结果。
我是否遗漏了什么？有办法保留这个方便的功能吗？如果没有，我该如何确保每次数据都能正确且一致地缩放？
回答：
问题似乎不在于scikit-learn包的版本，而在于MinMaxScaler对象的fit()方法的输入数据形状：
import numpy as npimport sklearnfrom sklearn.preprocessing import MinMaxScalerprint('scikit-learn package version: {}'.format(sklearn.__version__))# scikit-learn package version: 0.21.3scaler = MinMaxScaler()x_sample = [-90, 90]scaler.fit(np.array(x_sample)[:, np.newaxis]) # reshape data to satisfy fit() method requirementsx_data = np.array([[66,74,89], [1,44,53], [85,86,33], [30,23,80]])print(scaler.transform(x_data))# [[0.86666667 0.91111111 0.99444444]# [0.50555556 0.74444444 0.79444444]# [0.97222222 0.97777778 0.68333333]# [0.66666667 0.62777778 0.94444444]]要了解像StandardScaler、MinMaxScaler等流行预处理器的输入数据要求，您可以查看我对另一个StandardScaler.fit()输入问题的回答。
