standardscaler适用于近似正态、无强离群点的数据，minmaxscaler适用于边界明确、需归一至[0,1]的场景；树模型无需缩放；多项式特征应限制交互项、剔除低方差列；fit仅在训练集执行，推理时仅transform；onehotencoder需处理未知类别。
特征缩放用 StandardScaler 还是 MinMaxScaler？看数据分布和模型需求
不是所有模型都吃同一套缩放逻辑。线性模型、SVM、KNN 对量纲敏感，必须缩放；树模型（如 RandomForest、XGBClassifier）完全不需要——缩了反而可能引入噪声。
StandardScaler 假设数据近似正态，中心化 + 除以标准差；MinMaxScaler 把特征压到 [0, 1]，对异常值极其敏感——一个极大离群点就能把其他所有值挤成一坨。
- 用
StandardScaler：数据大致对称、没强离群点、后续接逻辑回归或 PCA - 用
MinMaxScaler：输入是图像像素值、神经网络输入层（尤其带 sigmoid/tanh 激活）、已知边界清晰（如百分比、评分 0–100） - 怀疑有离群点？先用
boxplot或df.describe()看25%/75%和max差距；差距大就别硬上MinMaxScaler
多项式特征生成别直接套 PolynomialFeatures(degree=2)
全组合爆炸是真的快。10 个原始特征开到 degree=2，输出特征数直接跳到 66 个；升到 degree=3 就 220+，再加交互项，训练慢、内存爆、还容易过拟合。
真正有用的交互往往来自业务理解，不是数学穷举。比如房价预测里 area * rooms 有意义，但 area * postal_code 几乎没意义。
立即学习“Python免费学习笔记（深入）”；
- 先限制
interaction_only=True，只生成交叉项不生成平方项 - 用
include_bias=False，避免无意义的常数列 - 配合
ColumnTransformer只对数值列做多项式，分类列单独做OneHotEncoder - 生成后立刻用
VarianceThreshold删掉方差为 0 的列（比如某交叉项全是 0）
fit 和 transform 顺序搞错，线上推理必崩
训练时用 scaler.fit_transform(X_train) 没问题，但部署时如果对新样本调 scaler.transform(X_new) 却忘了先 fit —— 不会报错，但结果完全错乱。更常见的是：用 fit_transform 处理测试集 X_test，等于偷看了测试数据分布。
- 训练阶段：只对
X_train调fit_transform，保存 fitted 的scaler对象（用joblib.dump） - 推理阶段：加载已 fit 好的
scaler，只调transform，绝不fit新数据 - 多项式同理：
poly.fit(X_train)后，poly.transform(X_test)才合法；poly.fit_transform(X_test)是典型数据泄露
类别型特征做 OneHotEncoder 前，务必处理未见过的类别
训练时某列有 ['A', 'B', 'C']，线上来了个 'D'，默认 OneHotEncoder 直接报错 ValueError: Found unknown categories。这不是 bug，是设计如此——它拒绝隐式降维。
- 设
handle_unknown='ignore'，遇到未知值就全输出 0 向量（适合后续接树模型） - 设
handle_unknown='infrequent'（v1.3+），自动把低频类别合并，同时兼容未知值 - 更稳的做法：训练前用
pd.Categorical(..., categories=all_known_values)显式固定类别集合 - 注意：
get_feature_names_out()返回的列名不含未知类，别靠名字索引，用np.where定位更安全
特征工程最麻烦的从来不是代码写不对，而是训练和线上用的预处理链不一致——多一个 fit，少一个 fillna，或者缺失值填法不同，模型效果就断崖下跌。留好 pipeline 的每个中间对象，比调参重要得多。
