你想弄懂什么？

标准化将特征值 $x$ 转换为 $z = \frac{x - \mu}{\sigma}$，针对转换后特征的均值为 0 和标准差为 1。

适用条件：逐数值特征应用。；使用特征均值 $\mu$ 和标准差 $\sigma$。；假设 $\sigma > 0$。

标准化将特征值 $x$ 转换为 $z = \frac{x - \mu}{\sigma}$，针对转换后特征的均值为 0 和标准差为 1。

适用条件：逐数值特征应用。；使用特征均值 $\mu$ 和标准差 $\sigma$。；假设 $\sigma > 0$。

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。

标准化将数据中心化在均值 ($\mu$) 处，因此低于均值的结果变为负值。最小-最大归一化平移和缩放数据，使最小值变为 0，最大值变为 1，将所有值保持在 [0, 1] 内的非负状态。

适用条件：标准化使用 $z = \frac{x - \mu}{\sigma}$。；最小-最大使用 $X_{\text{norm}} = \frac{X - X_{\min}}{X_{\max} - X_{\min}}$。

标准化将数据中心化在均值 ($\mu$) 处，因此低于均值的结果变为负值。最小-最大归一化平移和缩放数据，使最小值变为 0，最大值变为 1，将所有值保持在 [0, 1] 内的非负状态。

适用条件：标准化使用 $z = \frac{x - \mu}{\sigma}$。；最小-最大使用 $X_{\text{norm}} = \frac{X - X_{\min}}{X_{\max} - X_{\min}}$。