scikit-learn数据预处理fit_transform()与transform()的区别

写了第一篇博客之后再也没写第二篇。最近在用Python做实验，许多小问题要不断尝试验证，细枝末节太多，想要记住的话还是总结成笔记印象比较深刻。好记性不如烂笔头。

---

问题：

scikit-learn中fit_transform()与transform()到底有什么区别，能不能混用？

---

• 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）
• fit_transform(partData)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partData进行转换transform，从而实现数据的标准化、归一化等等。。
• 根据对之前部分fit的整体指标，对剩余的数据（restData）使用同样的均值、方差、最大最小值等指标进行转换transform(restData)，从而保证part、rest处理方式相同。
• 必须先用fit_transform(partData)，之后再transform(restData)
• 如果直接transform(partData)，程序会报错
• 如果fit_transfrom(partData)后，使用fit_transform(restData)而不用transform(restData)，虽然也能归一化，但是两个结果不是在同一个“标准”下的，具有明显差异。

实验：

使用preprocessing.MinMaxScaler()对象对数据进行归一化。原理是：(x-xMin)/(xMax - xMin)，从而将所有数据映射到【0,1】区间。

---

import numpy as np 

from sklearn.preprocessing import MinMaxScaler

data = np.array(n