简单介绍

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，方差，最大值，最小值，这些训练集X固有的属性。

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）。作用是通过找中心和缩放等实现标准化

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。对部分数据先拟合fit，找到该part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），然后对该trainData进行转换transform，从而实现数据的标准化、归一化等等。

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）

延申

归一化（normalisatoon）发生了什么

为什么需要对数值型的特征做归一化(normalization)？

为了消除数据特征之间的量纲影响，我们需要对特征进行归一化处理，使得不同指标之间具有可比性。
举例：身高体重，体重的数量级比身高大，轻微变化却因为其单位（斤）的影响会比身高变化显得很显著，所以要将这两个变量放在相同的数量级比较；

常用的归一化方法
线性函数归一化（最大最小值归一化）、零均值归一化。

哪些算法必须归一化/标准化
实际应用中，通过梯度下降法求解模型的通常需要归一化，包括线性回归、逻辑回归、支持向量机、神经网络等。
决策树模型不要要归一化，看的是信息增益比。

归一化之后变得不再崎岖，迭代次数变少，减小梯度下降算法的过程，从而加速模型的生成

归一化公式
线性函数将原始数据线性化的方法转换到[0,1]的范围，实现对原始数据的等比例缩放。
1.规范化处理（最大最小值归一化）公式如下：

其中Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。
问题：对异常值十分灵敏，异常值容易造成偏差 如何寻找异常值

2.mean normalization
Take a feature xi, Replace it by (xi - mean)/max, So your values all have an average of about 0

3.正规化处理（Z-score标准化）
给予原始数据的均值μ（mean）和标准差σ（standard deviation）进行数据的标准化

为什么只对训练集做fit_transform，对测试集只做transform？

机器学习假设，训练集和测试集的每个样本都是从同一分布中抽样得到的（即测试集归一化的均值和标准偏差应该来源于训练集），所以在训练集中fit之后在测试集就不能再fit了。要不然二者可能不是同一分布模型，预测效果会很糟糕。