scikit-learn提供了一系列轉換庫，他們可以清洗，降維，提取特徵等。

在資料轉換中有三個很重要的方法，fit，fit_transform,transform

ss=StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.transform(X_test)
初學時候好奇為何，訓練樣本用fit_transform，而測試樣本用transform？

仔細閱讀官方文件發現，fit方法是用於從一個訓練集中學習模型引數，其中就包括了歸一化時用到的均值，標準偏差。transform方法就是用於將模型用於位置資料，fit_transform就很高效的將模型訓練和轉化合併到一起，訓練樣本先做fit，得到mean，standard deviation，然後將這些引數用於transform（歸一化訓練資料），使得到的訓練資料是歸一化的，而測試資料只需要在原先得到的mean，std上來做歸一化就行了，所以用transform就行了。

StandardScaler對矩陣作歸一化處理，變換後的矩陣各特徵均值為0，方差為1

網上抄來抄去都是一個意思，

fit_transform是fit和transform的組合。

我們知道fit（x，y）在新手入門的例子中比較多，但是這裡的fit_transform(x)的括號中只有一個引數，這是為什麼呢？

fit(x,y)傳兩個引數的是有監督學習的演算法，fit(x)傳一個引數的是無監督學習的演算法，比如降維、特徵提取、標準化

然後解釋為什麼出來fit_transform（）這個東西，下面是重點：

fit和transform沒有任何關係，之所以出來這麼個函式名，僅僅是為了寫程式碼方便，

所以會發現transform（）和fit_transform（）的執行結果是一樣的。
執行乳腺癌相關的機器學習程式碼，資料集是程式碼自動從網上下載的。參考https://blog.csdn.net/ljyljyok/article/details/79722089

x_train原來資料

執行transform之後，其實是做了歸一化