自定义preprocessing函数报无StandardScaler属性错误如何解决

代码共存在两处核心问题，其中一处直接触发当前报错，另一处是修复首个问题后会触发的隐藏bug：

• 命名冲突：你自定义的函数名是preprocessing，函数内部写preprocessing.StandardScaler()时，Python会优先匹配当前作用域下你自定义的这个函数对象，不会指向sklearn的preprocessing模块，函数对象不存在StandardScaler属性，因此抛出AttributeError。
• 方法名拼写错误：代码中写的fit_transfrom为错误拼写，缩放器对应的正确方法名是fit_transform。
• 额外问题：原代码缺失sklearn相关依赖的导入语句。

最稳妥的方案是直接导入需要的缩放器类，从根源避开模块名和自定义函数重名的冲突，同时修正拼写错误、补全导入语句，修复后完整代码如下：

# 补全依赖导入
import pandas as pd
from sklearn.preprocessing import StandardScaler

# 直接导入类即可完全避开命名冲突，也可以把函数名改成其他名字比如df_preprocessing进一步降低冲突风险
def preprocessing(df:pd.DataFrame,scaler:str):
  not_uv=[]
  for column in df.columns:
    if column != 'uv': # uv为目标列，不做标准化
      not_uv.append(column)
  if scaler == 'standard':
    standard_scaler = StandardScaler()
    # 修正fit_transform的拼写错误
    standard_df = pd.DataFrame(standard_scaler.fit_transform(df[not_uv]), columns = not_uv)
    standard_df = pd.concat([standard_df,df[['uv']]],axis=1)
    return standard_df

修复后原有调用逻辑可以正常运行：

preprocessing(df_13,'standard')

如果你更习惯通过模块路径调用类，也可以在导入时给sklearn的preprocessing模块起别名，避免和自定义函数重名，示例导入写法：

from sklearn import preprocessing as sk_prep
# 实例化缩放器时写sk_prep.StandardScaler()即可

内容的提问来源于stack exchange，提问作者형한결