StandardScaler 默认 with_mean=True 会破坏稀疏矩阵结构，导致转稠密、内存暴涨；设为 False 可保留稀疏性但需防零方差；MaxAbsScaler 更安全，天然兼容稀疏矩阵且不引发 OOM。
StandardScaler 默认会破坏稀疏矩阵结构
当你把 scipy.sparse 矩阵（比如 TF-IDF 输出）传给 StandardScaler，它默认启用 with_mean=True，即要对每列减去均值。但稀疏矩阵不支持“逐行/列减标量”这种原地操作——底层必须转成稠密 np.ndarray 才能计算，结果就是内存暴涨、甚至直接 OOM。
with_mean=True 是稀疏数据的“断点”
这个参数是问题根源：
- 默认为
True，强制中心化 → 必须转稠密 - 设为
False时，只做缩放(x / std)，稀疏格式可保留 - 但即使
with_mean=False，若训练数据某列标准差为 0（全相同值），scale_会是 0，后续除法触发ZeroDivisionError
MaxAbsScaler 是更安全的替代方案
它不依赖均值，只用每列绝对值最大值做归一化：x' = x / max(|x|)，天然兼容稀疏矩阵，且结果仍在 [-1, 1] 区间：
from sklearn.preprocessing import MaxAbsScaler scaler = MaxAbsScaler() X_sparse_scaled = scaler.fit_transform(X_sparse) # 不转稠密，不报错
注意：它不中心化，所以均值不一定为 0；但对大多数稀疏场景（如文本、协同过滤），这比强行标准化更合理。
RobustScaler 和 QuantileTransformer 也不适合直接喂稀疏矩阵
它们内部都涉及中位数、分位数等排序类计算，会隐式调用 .toarray() 或 np.asarray()，同样导致内存爆炸。真要用这类鲁棒方法，得先转稠密再处理——但你要先确认内存扛得住。
最易被忽略的是：哪怕你没显式写 with_mean=True，只要没关掉它，稀疏输入就等于埋雷。上线前务必检查 scaler.with_mean 值，并用真实稀疏数据跑一次 transform 测内存和格式。
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！
