对数据按列属性进行scale处理后，每列的数据均值变成0，标准差变为1。可通过下面的例子加深理解：

from sklearn import preprocessing

import numpy as np

测试数据：

X = np.array([[1., -1., 2.], [2., 0., 0.], [0., 1., -1.]])

使用sklearn进行scale处理时，有两种方式可供选择。

方式1:直接使用preprocessing.scale()方法：

X_scaled = preprocessing.scale(X)

得到的X_scaled中每列的均值为0，方差为1

方式2：使用StandardScaler类来处理

scaler = preprocessing.StandardScaler().fit(X)

得到的scaler会计算得出每个属性列的均值、方差，但并没有得出最终的数据处理结果。要得到X的scale结果，可以继续执行transform方法：

X_scaled = scaler.transform(X)

这里刚开始学习时，会有疑问：为什么transform还需要传一个X参数？

StandardScaler将数据处理分为fit、transform两步。在fit中，仅仅计算出数据预处理算法的一些参数。比如这里主要计算出来每个列属性的均值、方差。但并没有通过算法：（x-mean)/std 对每个数据进行处理，真正的数据处理，放到了transform步骤中。

transform的参数可以是X，这样得到的效果跟直接使用preprocessing.scale(X)相同。也可以不同，当传入的参数不同时，scale会仍然使用计算好的均值、方差，按照算法：（x-mean)/std 来对每个数据处理。

分为fit、transform两个步骤后，那么处理训练集X时，可以fit(X),transform(X)。后面处理测试集时，直接使用transform即可。

这可能就是sklearn.preprocessing的fit、transform两个接口的设计思路吧。