我不清楚应该在什么时候对我的数据进行缩放处理，以及如何进行缩放处理。另外，这种处理方式对于监督学习和非监督学习是否相同，对于回归、分类和神经网络是否也相同？

第一种方式：

df = pd.read_csv("mydata.csv")features = df.iloc[:,:-1]results = df.iloc[:,-1]scaler = StandardScaler()features = scaler.fit_transform(features)x_train, x_test, y_train, y_test = train_test_split(features, results, test_size=0.3, random_state=0)

第二种方式：

df = pd.read_csv("mydata.csv")features = df.iloc[:,:-1]results = df.iloc[:,-1]scaler = StandardScaler()x_train, x_test, y_train, y_test = train_test_split(features, results, test_size=0.3, random_state=0)x_train = scaler.fit_transform(x_train)x_test = scaler.fit_transform(x_test)

第三种方式：

df = pd.read_csv("mydata.csv")features = df.iloc[:,:-1]results = df.iloc[:,-1]scaler = StandardScaler()x_train, x_test, y_train, y_test = train_test_split(features, results, test_size=0.3, random_state=0)x_train = scaler.fit_transform(x_train)x_test = scaler.transform(x_test)

或者还有第四种方法吗？

此外，我有一些样本想用来进行预测，这些样本不在df中，对于这些数据我应该怎么处理，是应该做：

samples = scaler.fit_transform(samples)

还是：

samples = scaler.transform(samples)

回答：

1. 将数据分割成训练集和测试集。
2. 使用训练数据集的均值和标准差对训练数据进行归一化处理。
3. 使用AGAIN训练数据集的均值和标准差对测试数据进行归一化处理。

在现实世界中，你无法知道测试集的分布情况。所以你需要根据训练集的分布来进行处理。