from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
我知道的是fit()方法计算特征的平均值和标准偏差，然后transform()方法使用它们将特征转换为新的zoom 特征.fit\u transform()只不过是调用fit()；单行中的transform()方法.
但为什么我们只为训练数据调用fit()，而不为测试数据调用fit()？？
fit计算平均值和stdev以用于以后的zoom ，请注意，这只是一个没有进行zoom 的计算.
transform使用之前计算的平均值和标准偏差来zoom 数据(从所有值中减go 平均值，然后除以标准偏差).
fit_transform同时完成这两项任务.因此，只需一行代码即可完成.
对于X_train个数据集，我们执行fit_transform，因为我们需要计算平均值和stdev，然后使用它来zoom X_train个数据集.对于X_test数据集，因为我们已经有了均值和stdev，所以我们只做转换部分.
Edit:X_test数据应该是unseen和unknown(即，没有从中提取信息)，所以我们只能从X_train中提取信息.我们之所以将导出的均值和标准差(X_train)也用于转换X_test，是为了对y_test和y_pred进行相同的"苹果对苹果"比较.
顺便说一句，如果列车/试验数据正确分割，没有偏差，并且数据足够大，两个数据集将与总体平均值和stdev具有相同的近似值.