找到答案，看到讲解发生的那一刻，再顺着概念继续探索。
正在理解你的问题，下面的搜索结果可先查看。
从 `sklearn.preprocessing` 导入 `MinMaxScaler`，实例化它，并在选定的 DataFrame 列上调用 `fit_transform`。这将缩放器拟合到数据（学习最小/最大值）并将值转换到 [0, 1] 范围。
适用条件：输入数据是数值型的。；已安装 Scikit-learn 库。
从 `sklearn.preprocessing` 导入 `MinMaxScaler`，实例化它，并在选定的 DataFrame 列上调用 `fit_transform`。这将缩放器拟合到数据（学习最小/最大值）并将值转换到 [0, 1] 范围。
适用条件：输入数据是数值型的。；已安装 Scikit-learn 库。
从 `sklearn.preprocessing` 导入 `StandardScaler`，实例化它，并在选定的 DataFrame 列上调用 `fit_transform`。这将数据转换为均值为 0 和标准差为 1。
适用条件：输入数据是数值型的。；已安装 Scikit-learn 库。
从 `sklearn.preprocessing` 导入 `StandardScaler`，实例化它，并在选定的 DataFrame 列上调用 `fit_transform`。这将数据转换为均值为 0 和标准差为 1。
适用条件：输入数据是数值型的。；已安装 Scikit-learn 库。
在依赖距离度量的算法中，具有较大数值范围的特征会不成比例地影响总距离。具有较大尺度的特征将主导距离度量，无论其实际预测重要性如何，因为其坐标差异在数值上大得多。
适用条件：适用于 KNN 或 K-means 等基于距离的机器学习算法。；特征未缩放或未归一化。；使用标准度量（如欧氏距离）计算距离。
在依赖距离度量的算法中，具有较大数值范围的特征会不成比例地影响总距离。具有较大尺度的特征将主导距离度量，无论其实际预测重要性如何，因为其坐标差异在数值上大得多。
适用条件：适用于 KNN 或 K-means 等基于距离的机器学习算法。；特征未缩放或未归一化。；使用标准度量（如欧氏距离）计算距离。