使用MinMaxScaler处理数组并获取后续可用的缩放参数：缺失参数问题

首先纠正你的误解：MinMaxScaler的缩放参数（scale_、min_）是按特征维度（列）计算的，你的输入数组data形状是(8, 412719)，在sklearn的默认逻辑里，这代表8个样本、412719个特征，所以scale_长度为412719是完全正确的，并没有缺失参数。你觉得“缺失7列”是把样本数和特征数搞混了。

获取数组形式的缩放参数 #

scale_本身就是numpy数组类型，不是普通列表。你可以直接调用获取：

scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(data)
# 获取数组形式的缩放参数
scale_array = scaler.scale_  # 形状为(412719,)的numpy数组
min_array = scaler.min_      # 同样是(412719,)的numpy数组

如果需要将其转换为二维数组（比如(412719, 1)），可以用reshape调整：

scale_2d = scaler.scale_.reshape(-1, 1)

后续复用归一化逻辑 #

如果要对新数据执行相同的归一化，直接调用scaler.transform(new_data)即可，无需手动用参数计算。如果非要手动实现归一化逻辑，公式如下：

new_scaled = (new_data - scaler.min_) / scaler.scale_

注意新数据的特征数必须和训练时的412719保持一致。

内容的提问来源于stack exchange，提问作者Boston