用minmaxscaler归一化更安全高效：自动处理常量列（分母为0时输出全0）、支持自定义范围、可复用且向量化快；手写apply易出zerodivisionerror和整除截断，须封装safe_minmax函数并预处理缺失值。

用 apply 做归一化容易出错，别硬套公式

直接对 Series 或 DataFrame 列用 apply 手写 (x - x.min()) / (x.max() - x.min()) 看似简单，但实际会遇到 ZeroDivisionError: float division by zero——只要某列所有值相等，max() - min() 就是 0。更隐蔽的问题是：如果传入的是整数列，Python 2 风格除法或 pandas 默认 dtype 可能导致结果全为 0（整数除整数截断）。

• 先检查是否有常量列：df.nunique() == 1，有就跳过或统一设为 0
• 强制转 float64 再计算，避免整型除法陷阱：df[col].astype(float)
• apply 是逐元素调用，性能差；列级向量化运算快得多，优先用 df[col] 直接算

推荐用 MinMaxScaler 而不是手写 apply

sklearn 的 MinMaxScaler 不仅自动处理分母为 0 的情况（默认缩放到 [0, 1]，常量列输出全 0），还支持 feature_range 自定义范围、保留原始 dtype 意图、可复用（fit + transform 分离），而且底层是 NumPy 向量化实现，比 apply 快一个数量级。

• 只缩放数值列：select_dtypes(include='number') 提前过滤
• 注意 fit_transform 只能在训练集上调用，新数据必须用 transform，否则数据泄露
• 如果要保留列名和索引，别用 scaler.fit_transform(df) 直接覆盖，而是：

  from sklearn.preprocessing import MinMaxScaler<br>scaler = MinMaxScaler()<br>df_scaled = pd.DataFrame(<br>    scaler.fit_transform(df.select_dtypes(include='number')),<br>    columns=df.select_dtypes(include='number').columns,<br>    index=df.index<br>)

想用 apply 也行，但得封装成安全函数

真要上 apply（比如嵌入 pipeline、不引入 sklearn），必须把边界逻辑包进去，不能裸写公式。核心是：分母为 0 时返回全 0 或全 0.5，同时保持输入 dtype 和 shape 不变。

• 写成单函数，接受 Series，返回同长度 Series：

  def safe_minmax(x):<br>    x = x.astype(float)<br>    x_min, x_max = x.min(), x.max()<br>    if x_max == x_min:<br>        return pd.Series(np.full(len(x), 0.5), index=x.index)<br>    return (x - x_min) / (x_max - x_min)

• 应用时明确指定轴：df.select_dtypes(include='number').apply(safe_minmax)
• 别在 apply 里调 df.min().min() 这种全局统计——它会把多列压成一个标量，破坏列独立性

归一化后记得检查 dtypes 和缺失值

归一化本身不处理 NaN，反而会让 NaN 在计算中传染（比如 min() 返回 NaN，整个列变 NaN）。而且 MinMaxScaler 默认抛异常，apply 则可能静默跳过。

• 归一化前用 df.isna().sum() 看缺失分布，决定填还是删
• 若用 MinMaxScaler，先用 SimpleImputer 补缺，顺序不能反
• 归一化后检查 df_scaled.dtypes，确认没意外变成 object（常见于混合类型列被 apply 搞乱）

归一化不是“套个公式就完事”，关键在分母是否为 0、缺失值怎么流、新数据怎么复用同一套参数——这些地方一松懈，模型效果就悄无声息地掉下去。