我在使用sklearn中的StandardScalar来缩放我的特征向量，但它似乎无法正确拟合训练特征向量。或者这可能是预期行为，如果是的话，有人能解释一下为什么吗（最好能提供一些数学上的解释）。

from sklearn.preprocessing import StandardScalerimport numpy as npscale_inst = StandardScaler()# 训练特征向量x1 = np.array([1, 2, 10, 44, 55])# 测试特征向量x2 = np.array([1, 2, 10, 44, 667])# 首先拟合scale_inst.fit(x1)# 然后转换训练向量和测试向量print scale_inst.transform(x1)print scale_inst.transform(x2)# 输出[-0.94627295 -0.90205459 -0.54830769  0.95511663  1.44151861][ -0.94627295  -0.90205459  -0.54830769   0.95511663  28.50315638]

为什么667被缩放到28.50315638，而不是像训练特征向量的最大值那样缩放到1.44151861？

回答：

根据StandardScaler API的说明：

通过移除均值并缩放到单位方差来标准化特征

它是在x1上训练的，因此在两种情况下都使用x1的方差/均值。所以它所做的就是简单的：

>>> (x1 - np.mean(x1)) / np.std(x1)array([-0.94627295, -0.90205459, -0.54830769,  0.95511663,  1.44151861])>>> (x2 - np.mean(x1)) / np.std(x1)array([ -0.94627295,  -0.90205459,  -0.54830769,   0.95511663, 28.50315638])

你可能在寻找Sagar提出的方法。