用minmaxscaler比手写numpy归一化更稳定，因其自动处理fit/transform逻辑；手动实现需指定axis=0按列计算极值，加1e-8防除零，并保存参数复用。
归一化用 sklearn.preprocessing.MinMaxScaler 更稳，别硬写 NumPy
NumPy 本身没有内置的“归一化器”对象，MinMaxScaler 或 StandardScaler 是生产环境首选——它自动处理训练/预测阶段的 transform/inverse_transform 逻辑，避免手写时漏掉 fit 阶段的统计量复用。纯 NumPy 实现容易在多维数组形状、axis 选择、新样本扩展上出错。
如果你确实需要 NumPy 原生计算（比如嵌入式部署、无 sklearn 环境），核心是手动算极值或均值方差，但必须明确指定 axis：
- 对每列归一化（常见）：用
axis=0求 min/max - 误用
axis=1会导致每行被独立缩放到 [0,1]，破坏特征语义 - 二维数组
X.shape = (n_samples, n_features)下，axis=0才是对每个 feature 统计
np.min() 和 np.max() 必须配 axis=0，否则结果维度错乱
直接对整个数组调 np.min(X) 得到一个标量，减法广播后会把所有列都用同一组极值缩放——这在多特征场景下完全错误。正确做法是显式指定维度：
# 正确：按列求极值，返回 shape=(n_features,) 向量 X_min = np.min(X, axis=0) X_max = np.max(X, axis=0) X_norm = (X - X_min) / (X_max - X_min + 1e-8) # +1e-8 防除零
注意分母加小常数，因为某些特征可能全为同一值（如常量列），否则出现 RuntimeWarning: divide by zero encountered in true_divide。
标准化（Z-score）用 np.mean() 和 np.std() 要设 ddof=0
sklearn 默认用总体标准差（ddof=0），而 np.std() 默认是样本标准差（ddof=1）。不统一会导致结果偏差：
-
np.std(X, axis=0, ddof=0)→ 匹配StandardScaler -
np.std(X, axis=0)→ 默认ddof=1，值略大，缩放后方差 ≠ 1 - 均值不用额外参数：
np.mean(X, axis=0)即可
示例：
X_mean = np.mean(X, axis=0) X_std = np.std(X, axis=0, ddof=0) X_scaled = (X - X_mean) / (X_std + 1e-8)
保存归一化参数比写代码更关键
训练时算出的 X_min、X_max 或 X_mean、X_std 必须持久化（如用 np.save() 存成 .npy 文件），预测时加载复用。每次重新计算会破坏数据一致性——尤其线上服务中，新 batch 数据不能用自己的 min/max 去归一化自己。
容易忽略的是：当特征含缺失值（np.nan），np.min() 等函数默认返回 nan。必须先处理缺失值（删、插、掩码），或者改用 np.nanmin()/np.nanmax() 并确保后续所有运算兼容 nan 传播逻辑。
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！
