使用sklearn MinMaxScaler按行处理训练集与测试集时遇维度不匹配问题

问题根源 #

你用转置的方式实现按行归一化时出现维度不匹配，核心原因是训练集和测试集的特征数量不一致，或者转置后的数据形状不符合MinMaxScaler的要求。fit_transform和transform要求输入的特征维度（即处理时的列数）必须完全一致，一旦转置后两者的行数（对应原数据的特征列数）不同，就会触发维度不匹配错误。

正确实现方式 #

方法1：用新版sklearn直接按行处理（推荐） #

sklearn 0.24及以上版本支持通过axis=1指定按行归一化，无需转置：

from sklearn.preprocessing import MinMaxScaler

# 创建按行归一化的scaler
scaler = MinMaxScaler(axis=1)
train_scaled = scaler.fit_transform(train)
test_scaled = scaler.transform(test)

方法2：手动实现按行归一化（兼容旧版本） #

如果你的sklearn版本较低，不支持axis参数，可以手动计算：

import numpy as np

def row_min_max_scale(data):
    # 计算每行的最小值和最大值，保持维度以便广播
    row_min = np.min(data, axis=1, keepdims=True)
    row_max = np.max(data, axis=1, keepdims=True)
    # 避免除以0的情况（当行内所有值相同时）
    return (data - row_min) / np.where(row_max == row_min, 1, row_max - row_min)

train_scaled = row_min_max_scale(train)
test_scaled = row_min_max_scale(test)

注意事项 #

• 无论用哪种方法，都要确保训练集和测试集的特征列数完全一致，否则即使按行处理也会出现维度问题。
• 如果你的数据是行代表特征、列代表样本的格式，需要先确认train和test的样本列数是否对齐，再进行归一化操作。

内容的提问来源于stack exchange，提问作者Alex