如何对训练集除指定列外的列标准化，并同步缩放测试集？

嘿，我太懂你这种手动折腾缩放的痛苦了——一会儿要找列索引，一会儿要存均值标准差，稍不注意就把测试集的统计量混进去了，完全是重复劳动！下面给你几个更优雅的解决方案，从基础R到专门的机器学习工具都有，挑你顺手的来：

方法一：基础R封装函数，复用性拉满 #

如果你习惯用基础R，可以把整个流程封装成一个函数，一次写好之后随时调用，再也不用重复敲代码：

# 定义通用缩放函数
scale_selected <- function(train_data, test_data, exclude_cols) {
  # 筛选出需要缩放的列（排除指定列）
  scale_cols <- setdiff(names(train_data), exclude_cols)
  
  # 计算训练集目标列的均值和标准差（自动忽略NA）
  train_means <- colMeans(train_data[scale_cols], na.rm = TRUE)
  train_sds <- apply(train_data[scale_cols], 2, sd, na.rm = TRUE)
  
  # 缩放训练集
  train_scaled <- train_data
  train_scaled[scale_cols] <- scale(train_data[scale_cols], center = train_means, scale = train_sds)
  
  # 用训练集的统计量缩放测试集
  test_scaled <- test_data
  test_scaled[scale_cols] <- lapply(scale_cols, function(col) {
    (test_data[[col]] - train_means[col]) / train_sds[col]
  }) %>% as.data.frame()
  
  # 返回缩放后的数据集+统计量（方便后续检查）
  list(
    train_scaled = train_scaled,
    test_scaled = test_scaled,
    scaling_stats = list(means = train_means, sds = train_sds)
  )
}

# 示例用法
set.seed(123)
train_df <- data.frame(
  id = 1:10,
  category = sample(c("A", "B"), 10, replace = TRUE),
  num1 = rnorm(10, 50, 10),
  num2 = rnorm(10, 20, 5),
  num3 = rnorm(10, 100, 20)
)

test_df <- data.frame(
  id = 11:15,
  category = sample(c("A", "B"), 5, replace = TRUE),
  num1 = rnorm(5, 50, 10),
  num2 = rnorm(5, 20, 5),
  num3 = rnorm(5, 100, 20)
)

# 调用函数，排除id和category列
result <- scale_selected(train_df, test_df, exclude_cols = c("id", "category"))

# 查看结果
result$train_scaled
result$test_scaled

方法二：tidyverse管道风格，代码更整洁 #

如果你平时用dplyr这类工具，用管道流处理会更符合你的代码习惯，可读性也更强：

library(dplyr)

# 先从训练集提取缩放所需的均值和标准差
exclude_cols <- c("id", "category")
scaling_stats <- train_df %>%
  select(-all_of(exclude_cols)) %>%
  summarize(across(everything(), list(mean = mean, sd = sd), na.rm = TRUE))

# 缩放训练集
train_scaled <- train_df %>%
  mutate(across(-all_of(exclude_cols), ~ (.x - scaling_stats[[paste0(cur_column(), "_mean")]]) / scaling_stats[[paste0(cur_column(), "_sd")]]))

# 复用训练集的统计量缩放测试集
test_scaled <- test_df %>%
  mutate(across(-all_of(exclude_cols), ~ (.x - scaling_stats[[paste0(cur_column(), "_mean")]]) / scaling_stats[[paste0(cur_column(), "_sd")]]))

方法三：用caret一键搞定，机器学习场景首选 #

如果你的场景是机器学习预处理，caret包的preProcess绝对是最优解——它会自动帮你存储训练集的统计量，直接用predict就能处理测试集，完全不用手动管理均值和标准差：

library(caret)

exclude_cols <- c("id", "category")
# 基于训练集的目标列创建预处理对象（center=中心化，scale=标准化）
pre_proc <- preProcess(train_df %>% select(-all_of(exclude_cols)), method = c("center", "scale"))

# 一键缩放训练集和测试集
train_scaled <- predict(pre_proc, train_df)
test_scaled <- predict(pre_proc, test_df)

几个小提醒： #

• 如果数据里有NA，记得在计算均值/标准差时加上na.rm = TRUE，避免出错；
• 分类变量、ID列这类确实不需要缩放，排除它们是正确的操作；
• caret的preProcess还支持很多其他预处理方法（比如归一化、PCA、缺失值填充），如果后续有其他需求可以直接扩展。

内容的提问来源于stack exchange，提问作者DeltaIV