Python StandardScaler ValueError:操作数无法与形状（75000,3）（50，）（75000,3）一起广播

我需要规范化两种不同形状的特征向量。编写此代码后：

从sklearn导入预处理
scaler=预处理。StandardScaler（）
scaled_df1=scaler.fit_变换（doc2Vec）
scaled_df2=scaler.transform（新向量）

doc2Vec=np.0（（75000,50））新向量=np.0（（75000,3））

错误是

文件“D:/PycharmProjects/THEMOTION_analysis_text/THEMOTION_analysis-master/project/Word2Vec.py”，第232行，组合特征 scaled_df2=scaler.transform（新向量） 文件“D:\PycharmProjects\THEMOTION\U analysis\U text\venv\lib\site packages\sklearn\preprocessing\u data.py”，第806行，在转换中 X-=自我平均值_ ValueError:操作数无法与形状（75000,3）（50，）（75000,3）一起广播

注意，我知道我要标准化不同维度的特征向量，这正是我要做的。我如何修正代码？或者，它们应该如何标准化

---

帮助，请

您不能使用

标准缩放器

，因为

transform

中给出的

X

的列数应该与

fit

中给出的

X

的列数相同

基本上，在

fit

中，您学习了维度（50，）的平均值/标准偏差向量，同时您尝试将这些统计数据应用到新的

X

上，仅使用3列

因此，如果我正确理解了您希望如何规范化，您可以创建自己的scaler类：

将numpy导入为np
从sklearn.base导入BaseEstimator
从sklearn.base导入TransformerMixin
MyScaler类（TransformerMixin，BaseEstimator）：
def配合（自身、X、y=无）：
自身平均值=X平均值（轴=0）
self.std\u dev=X.std（轴=0）
回归自我
def变换（自、X、y=无）：
返回（X-self.means_[：X.shape[1]]）/self.std_udev_[：X.shape[1]]
X_train=np.random.randn（5,5）
X_检验=np.random.randn（5,2）
scaler=MyScaler（）
打印（缩放、拟合、变换（X列））
打印（缩放变换（X_测试））

你会得到这样的结果：

[[-1.46691268-1.45361873-0.45377612 0.49119234-1.08791771]
[-0.21413664  0.71465686 -0.29978242  0.58696079 -0.30286673]
[ 0.5123138   0.17096286 -0.34478627 -1.44547556 -0.51613175]
[ 1.54792261 -0.76139957 -0.86188385  1.24605112  0.04787813]
[-0.37918709  1.32939857  1.96022866 -0.8787287   1.85903806]]
[[ 0.38906146  2.27223431]
[-0.340497   -0.42958738]
[-0.30017852  1.84465534]
[ 0.79533469  4.49370725]
[-0.23766821  1.8216171 ]]

模型安装在

doc2Vec=np.zeros（（75000，50））

上，然后要求转换

new_vec=np.zeros（（75000，3））

维度不同，因此误差增大。

---

为了克服这个问题，@glemaitre的回答提供了一个“自定义”定标器。

这是不可能的。如果您只想规范化

new_-vec

，那么请使用

StandardScaler

和

fit_-transform

的新实例对其进行规范化。@AjayDabas:如果我想规范化new_-vec，请将两者结合起来，使其成为53维的特征向量。我该怎么办？你能给我一个代码示例吗？谢谢