robustscaler对异常值不敏感，因其使用中位数和iqr（q3−q1）进行缩放，二者仅依赖中间50%数据、完全忽略极值；例如数据[1,2,3,4,100]中median=3、iqr=2，即使100变为10000，二者仍不变。
RobustScaler 是唯一能让你在不清洗数据的前提下，安全地把含极端异常值的特征送进模型里的缩放器。它不依赖均值和标准差，而是靠中位数和 IQR，所以哪怕数据里混着一个 999999，也不会带偏整个缩放结果。
RobustScaler 为什么对异常值不敏感？
关键在它的两个统计量：median 和 IQR（Q3 - Q1）。它们只看中间 50% 的数据，完全忽略两端的极值。
- 给定数据
[1, 2, 3, 4, 100]，median是3，IQR是2（Q3=4,Q1=2） - 把
100换成10000，median还是3，IQR仍是2 - 而
StandardScaler的mean会从22跳到2000.2，std也暴涨，导致正常值被压缩成接近 0 的浮点噪声
fit_transform 之前必须检查的三件事
很多人直接调用就出问题，不是模型不准，而是预处理阶段埋了雷。
-
RobustScaler默认按列（feature-wise）独立计算，但如果你的数据是pandas.Series或一维数组，得先 reshape 成二维：用.values.reshape(-1, 1) - 如果某列全为相同值（比如全是
0），IQR会是0，触发除零警告；此时scaler.scale_对应位置为1.0（内部做了防除零），但你要心里有数 - 确认你传入的是数值型数据——
RobustScaler不处理字符串或NaN；遇到NaN会报错ValueError: Input contains NaN，得先用pd.dropna()或SimpleImputer
如何验证 RobustScaler 真正生效了？
别只看输出形状，要盯住它的核心属性：
- 运行完
scaler.fit_transform(X)后，立刻打印scaler.center_（每列中位数）和scaler.scale_（每列 IQR） - 对缩放后数据手动验算：取第一行第一列，用公式
(X[0,0] - scaler.center_[0]) / scaler.scale_[0]，结果应与X_scaled[0,0]一致 - 缩放后每列的
np.median(X_scaled[:, i])应该非常接近0.0（浮点误差内），np.percentile(X_scaled[:, i], 75) - np.percentile(X_scaled[:, i], 25)应该 ≈1.0
最容易被忽略的一点：RobustScaler 的鲁棒性只体现在训练集拟合阶段；一旦 fit 完，transform 新数据时，它**固定使用训练集算出的 center_ 和 scale_** ——哪怕新数据里冒出更极端的异常值，也不会重新计算。这点和 StandardScaler 一样，但常被误以为“自动适应”。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
