Python 3.x 如何使用sklearn规范化具有多个特征的时间序列数据？

对于具有形状

（num_samples，features）

的数据，

sklearn中的
MinMaxScaler
。可以使用预处理来轻松地对其进行规范化

但是，当对具有形状
（num\u samples，time\u steps，features）
的时间序列数据使用相同的方法时，sklearn将给出一个错误

from sklearn.preprocessing import MinMaxScaler
import numpy as np

#Making artifical time data
x1 = np.linspace(0,3,4).reshape(-1,1)
x2 = np.linspace(10,13,4).reshape(-1,1)
X1 = np.concatenate((x1*0.1,x2*0.1),axis=1)
X2 = np.concatenate((x1,x2),axis=1)
X = np.stack((X1,X2))

#Trying to normalize
scaler = MinMaxScaler()
X_norm = scaler.fit_transform(X) <--- error here

然而，它只适用于只有一个特性的数据。由于我的数据具有多个特征，因此此方法不起作用

如何规范化具有多个特征的时间序列数据？
要规范化形状的三维张量（n_样本、时间步长、n_特征），请使用以下方法：

(timeseries-timeseries.min(axis=2))/(timeseries.max(axis=2)-timeseries.min(axis=2))

使用参数axis=2将返回沿三维（即特征轴）执行的张量运算的结果。因此，每个特征将被独立地标准化
 要规范化形状的三维张量（n_样本、时间步长、n_特征），请使用以下命令：

(timeseries-timeseries.min(axis=2))/(timeseries.max(axis=2)-timeseries.min(axis=2))

使用参数axis=2将返回沿三维（即特征轴）执行的张量运算的结果。因此，每个特征将被独立地标准化