因误将一维特征列 reshape 为 (1, -1)（单行多列），导致 MinMaxScaler 在单个“样本”内计算极值，所有值被映射到同一位置（0），实际应使用 (-1, 1)（多行单列）或传入 DataFrame 子集。
因误将一维特征列 reshape 为 `(1, -1)`（单行多列），导致 minmaxscaler 在单个“样本”内计算极值，所有值被映射到同一位置（0），实际应使用 `(-1, 1)`（多行单列）或传入 dataframe 子集。
MinMaxScaler 的核心逻辑是：对每个特征（即每列）独立地执行线性变换
$$
x{\text{scaled}} = \frac{x - x{\min}}{x{\max} - x{\min}}
$$
但该操作的前提是：输入数据必须满足形状 (n_samples, n_features)，且缩放沿 axis=0（即对每一列的全部样本计算 min/max）。
在你的代码中，关键错误出现在这一行：
scaler.fit_transform(df_test_1.loc[:, col].values.reshape(1, -1))
df_test_1.loc[:, col] 是一个长度为 4 的 pd.Series（如 [-1.0, -0.5, 0.0, 1.0]），调用 .values 得到一维数组 array([-1., -0.5, 0., 1.])；而 .reshape(1, -1) 将其强制变为 1 行 × 4 列 的二维数组：
array([[-1. , -0.5, 0. , 1. ]]) # shape: (1, 4)
此时，MinMaxScaler 将这 4 个数值视为同一个样本的 4 个不同特征，而非同一个特征的 4 个观测值。由于只有一行数据，每个“特征”（即每列）的 min == max，分母为 0 → Scikit-learn 内部会将整个列设为 0（避免除零错误），最终输出全零向量。
✅ 正确做法是确保每列作为独立特征被处理，即输入形状为 (n_samples, 1)：
方案 1：修正 reshape（推荐）
for col in df_test.columns:
scaler = MinMaxScaler()
scaler_model_list.append(scaler)
# 改为 (-1, 1)：4 行 × 1 列
df_test_1.loc[:, col] = scaler.fit_transform(
df_test_1.loc[:, col].values.reshape(-1, 1)
).flatten() # .flatten() 移除多余维度，保持 Series 形状
方案 2：直接传入 DataFrame 子集（更简洁）
for col in df_test.columns:
scaler = MinMaxScaler()
scaler_model_list.append(scaler)
# 使用双括号 [[col]] 返回 DataFrame（shape: (4, 1)）
df_test_1.loc[:, col] = scaler.fit_transform(df_test_1[[col]]).flatten()
方案 3：批量处理全部列（最高效）
scaler = MinMaxScaler() df_test_2 = df_test.copy() df_test_2[df_test.columns] = scaler.fit_transform(df_test) # 自动按列缩放
? 注意事项：
-
fit_transform()返回的是二维 NumPy 数组（shape(n_samples, n_features)），若赋值给 DataFrame 单列，需用.flatten()或[:, 0]降维； - 每列单独拟合 scaler（如方案 1/2）适用于后续需独立逆变换的场景；批量拟合（方案 3）更高效，但所有列共享同一 scaler 实例；
- 验证缩放结果是否合理：缩放后每列最小值应为 0，最大值应为 1（除非存在重复极值）。
运行修正后代码，df_test_1 输出为：
A B 0 0.0 0.0 1 0.33 0.25 2 0.67 0.50 3 1.0 1.0
完全符合 MinMax 缩放预期 —— 每列被线性映射至 [0, 1] 区间。
