minmaxscaler可通过feature_range参数缩放到任意区间，如(-1, 1)或(5, 10)，必须为tuple；训练集用fit_transform()，测试集仅用transform()；单列数据需reshape(-1, 1)；还原须用inverse_transform()且形状匹配。
MinMaxScaler默认缩放到[0, 1]，怎么改成其他区间？
直接改feature_range参数就行。它接收一个二元元组，比如想缩到[-1, 1]，就传feature_range=(-1, 1)；想缩到[5, 10]，就传feature_range=(5, 10)。这个参数必须是tuple，不能是list，否则会报TypeError: 'list' object is not callable。
fit_transform()和transform()调用顺序不能错
训练集必须先用fit_transform()，得到缩放器的data_min_和data_max_；测试集或新数据只能用transform()，复用训练集的极值。如果对测试集单独调用fit_transform()，会导致数据分布不一致，模型评估失效。
- 正确：
scaler = MinMaxScaler(feature_range=(0, 5)); X_train_scaled = scaler.fit_transform(X_train) - 错误：
X_test_scaled = scaler.fit_transform(X_test)（不该再fit） - 正确后续：
X_test_scaled = scaler.transform(X_test)
处理单列数据时别漏掉reshape(-1, 1)
MinMaxScaler只接受二维数组，哪怕你只有一列特征（比如np.array([1, 2, 3, 4])），也得先转成列向量。否则会报ValueError: Expected 2D array, got 1D array instead。
- 错误写法：
scaler.fit_transform(y)（y是一维） - 正确写法：
scaler.fit_transform(y.reshape(-1, 1)) - 还原时也要对应：
y_pred_scaled.reshape(-1)
反向还原要用inverse_transform()，且输入形状必须匹配
缩放后的数据要还原回原始尺度，必须用inverse_transform()，不能手动逆运算——因为内部还涉及浮点精度和边界处理。而且它的输入维度、列数必须和当初fit_transform()时完全一致，否则会报ValueError: X has wrong shape。
- 若原数据是
(100, 3)，缩放后是(100, 3)，那还原时输入也必须是(100, 3) - 单列还原别忘了reshape：
scaler.inverse_transform(y_scaled.reshape(-1, 1)).flatten() - 注意：如果缩放时用了
feature_range=(0.1, 0.9)，还原结果不会严格等于原始值，会有微小浮点误差
feature_range传参类型和单列数据的reshape操作，这两个地方出错频率最高。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！
