使用 MinMaxScaler 对单列数据单独缩放时，若错误地将一维 Series 重塑为 (1, -1) 形状（即 1 行多列），会导致 scaler 在行方向而非列方向计算极值，从而所有值被压缩到同一位置（如 0.0），造成缩放结果全零的假象。
使用 `minmaxscaler` 对单列数据单独缩放时，若错误地将一维 series 重塑为 `(1, -1)` 形状（即 1 行多列），会导致 scaler 在**行方向**而非列方向计算极值，从而所有值被压缩到同一位置（如 0.0），造成缩放结果全零的假象。
MinMaxScaler 的设计前提是输入数据为二维数组，形状为 (n_samples, n_features)，其中 缩放操作沿特征轴（axis=0）进行——即对每一列独立计算最小值和最大值，并执行公式：
[
x{\text{scaled}} = \frac{x - x{\min}}{x{\max} - x{\min}}
]
但在原代码中，关键错误出现在这一行：
scaler.fit_transform(df_test_1.loc[:, col].values.reshape(1, -1))[0]
此处将长度为 4 的列（如 [-1, -0.5, 0, 1]）强行 reshape 成 (1, 4)，即 1 个样本、4 个特征。MinMaxScaler 会为这“4 个特征”各自计算极值——而每个“特征”只含 1 个数值（例如第 0 个特征值是 -1，第 1 个是 -0.5……），导致每个特征的 min == max，分母为 0；sklearn 内部对此做安全处理（设缩放后为 0），最终整行输出 [0, 0, 0, 0]。
✅ 正确做法是保持样本数在第一维、特征数在第二维。对单列缩放，必须确保输入为 (n_samples, 1) 形状：
from sklearn.preprocessing import MinMaxScaler
import pandas as pd
df_dict = {'A': [-1, -0.5, 0, 1], 'B': [2, 6, 10, 18]}
df_test = pd.DataFrame(df_dict)
df_test_1 = df_test.copy()
scaler_model_list = []
for col in df_test.columns:
scaler = MinMaxScaler()
# ✅ 正确：reshape(-1, 1) → (4, 1)，按列缩放
col_data = df_test_1[col].values.reshape(-1, 1)
df_test_1[col] = scaler.fit_transform(col_data).flatten() # flatten() 便于赋值给 Series
scaler_model_list.append(scaler)
print("缩放后：")
print(df_test_1)
# 输出：
# A B
# 0 0.0 0.0
# 1 0.25 0.25
# 2 0.5 0.5
# 3 1.0 1.0
? 其他等效写法（推荐更简洁的方案）：
- 使用双括号索引，自动保留 DataFrame 结构：
df_test_1[col] = scaler.fit_transform(df_test_1[[col]])
- 更高效：一次性缩放全部列（无需循环，避免重复初始化 scaler）：
scaler = MinMaxScaler() df_test_2 = pd.DataFrame( scaler.fit_transform(df_test), columns=df_test.columns, index=df_test.index )
⚠️ 注意事项：
-
fit_transform()的输入必须是二维；对 Series 直接调用会报错，必须显式 reshape 或转为 DataFrame； -
inverse_transform()能成功还原，是因为 scaler 已正确记录了该“伪特征”的min_和scale_（虽为标量，但内部逻辑仍可逆）； - 全零结果不是数据问题，而是维度误用引发的逻辑错位，调试时应优先检查
X.shape是否符合(n_samples, n_features)。
总结：Min-Max 缩放的本质是列归一化，务必确保每列作为独立特征传入二维结构——这是避免“全零陷阱”的根本原则。
