sklearn里的封装好的各种算法使用前都要fit，fit相对于整个代码而言，为后续API服务。fit之后，然后调用各种API方法，transform只是其中一个API方法，所以当你调用transform之外的方法，也必须要先fit。

1.有监督学习的算法fit(x,y)传两个参数。无监督学习的算法是fit(x)，即传一个参数，比如降维、特征提取、标准化。 2.fit_transform是fit和transform的组合。是将fit和transform合并，一步到位的结果。 3.fit_transform()的作用就是先拟合数据，然后转化它将其转化为标准形式。 4.tranform()的作用是通过找中心和缩放等实现标准化。 5.注意这是数据预处理中的方法： Fit(): Method calculates the parameters μ and σ and saves them as internal objects. 解释：简单来说，就是求得训练集X的均值啊，方差啊，最大值啊，最小值啊，这些训练集X固有的属性。可以理解为一个训练过程 Transform(): Method using these calculated parameters apply the transformation to a particular dataset. 解释：在Fit的基础上，进行标准化，降维，归一化等操作（看具体用的是哪个工具，如PCA，StandardScaler等）。 Fit_transform(): joins the fit() and transform() method for transformation of dataset. 解释：fit_transform是fit和transform的组合，既包括了训练又包含了转换。

数据展示:     0  1  2 0  0  1  2 1  3  4  5 数据标准化，使用fit_transform [[-1. -1. -1.]  [ 1.  1.  1.]] 数据标准化，先使用fit,后transform fit的结果: StandardScaler(copy=True, with_mean=True, with_std=True) [[-1. -1. -1.]  [ 1.  1.  1.]]

1.transform()和fit_transform()二者的功能都是对数据进行某种统一处理（比如标准化~N(0,1)，   将数据缩放(映射)到某个固定区间，归一化，正则化等） 2.fit_transform(trainData)对部分数据先拟合fit，找到部分数据的整体指标，如均值、方差、最大值最小值等等（根据具体转换的目的），   然后对该trainData进行转换transform，从而实现数据的标准化、归一化等等。   根据对之前部分trainData进行fit的整体指标，对剩余的数据（testData）使用同样的均值、方差、最大最小值等指标进行转换transform(testData)，   从而保证train、test处理方式相同。所以，一般都是这么用。 from sklearn.preprocessing import StandardScaler sc = StandardScaler() sc.fit_tranform(X_train) sc.tranform(X_test)

必须先用fit_transform(trainData)，之后再transform(testData) 如果直接transform(testData)，程序会报错 如果fit_transfrom(trainData)后，使用fit_transform(testData)而不使用transform(testData)，虽然也能归一化， 但是两个结果不是在同一个“标准”下的，具有明显差异。(一定要避免这种情况)。

是因为在trainData的时候，已经使用fit()或者fit_transform得到了整体的指标（均值，方差等），所以在测试集上直接transform()，使用之前的指标， 如果在测试集上再进行fit()，由于两次的数据不一样，导致得到不同的指标，会使预测发生偏差， 因为模型是针对之前的数据fit()出来的标准来训练的，而现在的数据是新的标准，会导致预测的不准确。

fit_transform()干了两件事：fit找到数据转换规则，并将数据标准化 transform：是将数据进行转换，比如数据的归一化和标准化，将测试数据按照训练数据同样的模型进行转换，得到特征向量。 可以直接把转换规则拿来用，所以并不需要fit_transform()，否则，两次标准化后的数据格式（或者说数据参数）就不一样了

1. CountVectorizer举例，sklearn的CountVectorizer库是根据输入数据获取词频矩阵（稀疏矩阵）     fit(raw_documents) :根据CountVectorizer参数规则进行操作，比如滤除停用词等，拟合原始数据，生成文档中有价值的词汇表；     transform(raw_documents):使用符合fit的词汇表或提供给构造函数的词汇表，从原始文本文档中提取词频，转换成词频矩阵。     fit_transform(raw_documents, y=None):学习词汇词典并返回术语 - 文档矩阵(稀疏矩阵)。 2. TfidfTransformer举例，TF-IDF(Term frequency * Inverse Doc Frequency)词权重

   在较低的文本语料库中，一些词非常常见（例如，英文中的“the”，“a”，“is”），因此很少带有文档实际内容的有用信息。    如果我们将单纯的计数数据直接喂给分类器，那些频繁出现的词会掩盖那些很少出现但是更有意义的词的频率。    为了重新计算特征的计数权重，以便转化为适合分类器使用的浮点值，通常都会进行tf-idf转换。    词重要性度量一般使用文本挖掘的启发式方法：TF-IDF。IDF，逆向文件频率（inverse document frequency）是一个词语普遍重要性的度量    （不同词重要性的度量）。    fit(raw_documents, y=None)：根据训练集生成词典和逆文档词频 由fit方法计算的每个特征的权重存储在model的idf_属性中。    transform(raw_documents, copy=True)：使用fit（或fit_transform）学习的词汇和文档频率（df），将文档转换为文档 - 词矩阵。返回稀疏矩阵，[n_samples, n_features]，即，Tf-idf加权文档矩阵（Tf-idf-weighted document-term matrix）。    transform根据fit的结果转换成目标形式，具体需深究代码实现。 https://zhuanlan.zhihu.com/p/42297868 https://blog.csdn.net/youhuakongzhi/article/details/90519801 https://www.cnblogs.com/xin-qing3/p/11187164.html