使用StandardScaler的transform()处理训练测试集及运行警告求解

• RunTimeWarning: invalid value encountered in true_divide：StandardScaler的标准化规则为 (特征值 - 对应特征均值) / 对应特征标准差，当训练集X_tr中存在取值完全相同的特征列时，该列标准差为0，计算过程出现除以0的情况，最终生成无效值nan，触发警告。
• RunTimeWarning: Degrees of Freedom <= 0 for slice：默认计算样本标准差采用无偏估计，自由度为样本数n - 1，当X_tr的样本量小于等于1时，自由度小于等于0，无法完成无偏标准差计算，触发警告。如果输入数据集的维度顺序异常（样本维度和特征维度颠倒），实际识别到的有效样本量不足，也会触发该问题。

你原有代码调用fit_transform属于冗余操作，且没有适配异常数据场景，按照任务要求修正后的代码如下：

from sklearn.preprocessing import StandardScaler
import numpy as np

# 前置校验，避免异常数据导致警告
# 校验训练集样本量
if X_tr.shape[0] <= 1:
    raise ValueError("训练集样本量不可小于2，否则无法完成无偏标准差计算")
# 校验是否存在标准差为0的常量特征列
train_std = np.std(X_tr, axis=0)
constant_cols = train_std == 0
if np.any(constant_cols):
    # 过滤常量特征列
    X_tr = X_tr[:, ~constant_cols]
    X_te = X_te[:, ~constant_cols]

# 按任务要求执行拟合、标准化逻辑
scaler = StandardScaler()
# 仅在训练集上拟合scaler
scaler.fit(X_tr)
# 分别对训练集、测试集做标准化
X_tr_scaled = scaler.transform(X_tr)
X_te_scaled = scaler.transform(X_te)

如果场景允许使用有偏标准差，也可以初始化时添加ddof=0参数缓解自由度不足的警告：

scaler = StandardScaler(ddof=0)

• Sklearn所有预处理工具的方法逻辑统一：fit()仅从输入数据中统计所需参数（如StandardScaler的均值、标准差），不会修改输入数据；transform()用已统计完成的参数对输入数据做转换；fit_transform()是前两个方法的组合，仅可用于训练集。
• 测试集标准化必须使用训练集拟合得到的参数，不可单独对测试集执行fit()或fit_transform()，否则会产生数据泄露，导致模型泛化能力评估结果失真。

内容的提问来源于stack exchange，提问作者swordlordswamplord