Machine learning 使用StandartScaler处理的数据帧是否可以包含值>；1或<-1.

我按如下方式缩放功能数据框：

flatted_num_f.head（）
num\u features\u test=flatted\u num\u f.fillna（flatted\u num\u f.mean（））
从sklearn.preprocessing导入StandardScaler
std_scaler=StandardScaler（）
num_train_std=pd.DataFrame（std_scaler.fit_transform（num_features_test.loc[y_train_id]）\
columns=num\u features\u test.loc[y\u train\u id]。columns\
index=num\u features\u test.loc[y\u train\u id]。index）
测试标准（列车数量标准）

最后一个函数将超出[-1，1]约束的值添加到列表中， 它发现约100个元素，最大值为78.86000099160675，最小值为：-2.7850507071746339

---

这是正态分布，还是我弄错了？

StandardScaler根据标准正态分布（其平均值为零，标准偏差为1）进行转换。在这个分布中，随机变量可以取-无穷大和无穷大之间的任何值。较大的值不太可能出现，但可能会出现。事实上，你能看到小于-1或大于1的值的概率约为32%

有关图像的来源和一些示例计算，请参见

---

在标准最小-最大归一化中，减去最小值并除以范围，得到的值介于0和1之间，但可以使用线性函数进行修改，以便得到介于-1和1之间的值。

StandardScaler根据标准正态分布（其平均值为零，标准偏差为1）进行转换。在这个分布中，随机变量可以取-无穷大和无穷大之间的任何值。较大的值不太可能出现，但可能会出现。事实上，你能看到小于-1或大于1的值的概率约为32%

有关图像的来源和一些示例计算，请参见

在标准的“最小值-最大值”（min-max normalization）标准化中，减去最小值并除以范围，得到的值介于0和1之间，但可以使用线性函数对其进行修改，以便得到介于-1和1之间的值