数据在前处理的时候，经常会涉及到数据标准化。将现有的数据通过某种关系，映射到某一空间内。常用的标准化方式是,减去平均值，然后通过标准差映射到均至为0的空间内。系统会记录每个输入参数的平均数和标准差，以便数据可以还原。
很多ML的算法要求训练的输入参数的平均值是0并且有相同阶数的方差。
StandardScaler能够轻松的实现上述功能。
定义：
sc = StandarScaler(copy=True, with_mean=True, with_std=True)
三个默认值为True。
copy 如果为False，就会用归一化的值替代原来的值。如果被标准化的数据不是np.array或scipy.sparse CSR matrix, 原来的数据还是被copy而不是被替代。
归一化的值：表示一个事物有不同的维度｛即：属性｝，每个属性的取值范围不同，导致计算时此属性占用的权重不同。
with_mean 在处理sparse CSR或者 CSC matrices 一定要设置False不然会超内存。
可查询属性：
scale_：缩放比例或标准差。
mean_：特征平均值
var_：特征方差
n_sample_seen_：样本数量（可增加）
可被调用的方法：
fit：计算输入数据各特征的平均值
fit_transform：通过fit_params调整数据X,y得到一个调整后的X
get_params：返回StandardScaler对象的设置参数
inverse_transform：按照缩放规律反向还原当前数据
partial_fit：计算平均值和标准差
transform：基于现有的对象规则，标准化新的参数
