嘿，我来帮你搞定这个问题！首先先澄清个小误区：你安装的scikit-learn包，导入的时候确实还是用sklearn这个名字的，要是导入失败大概率是PyCharm的解释器没选对（比如用了全局环境而非项目的虚拟环境）。不过既然你明确问的是不依赖sklearn怎么用MinMaxScaler，那咱们直接从原理入手，自己实现一个就行——其实MinMaxScaler的逻辑特别简单，核心就是把数据缩放到你指定的范围（默认是[0,1]），公式也很直观：

缩放后的值 = a + (b - a) * (原始值 - 该特征最小值) / (该特征最大值 - 该特征最小值)
其中a和b是你要缩放到的范围上下限，默认a=0，b=1

下面给你两种实现方式，按需选就行：

1. 类封装版（和sklearn用法完全一致） #

如果你习惯sklearn的调用方式（先fit拟合数据，再transform转换），可以自己写一个和它接口一样的类，这样替换起来毫无成本：

import numpy as np

class CustomMinMaxScaler:
    def __init__(self, feature_range=(0, 1)):
        # 初始化缩放的目标范围
        self.min_ = None  # 存储每个特征的最小值
        self.max_ = None  # 存储每个特征的最大值
        self.a, self.b = feature_range

    def fit(self, X):
        # 先拟合数据，计算每个特征的min和max
        X = np.asarray(X)  # 转成numpy数组，兼容列表输入
        self.min_ = X.min(axis=0)  # 按列取最小值
        self.max_ = X.max(axis=0)  # 按列取最大值
        return self

    def transform(self, X):
        # 用拟合好的min和max做缩放
        if self.min_ is None or self.max_ is None:
            raise ValueError("记得先调用fit方法拟合数据再进行转换哦！")
        X = np.asarray(X)
        # 处理某特征所有值都相同的情况（避免除以0）
        feature_range = self.max_ - self.min_
        feature_range[feature_range == 0] = 1  # 这种情况不做缩放
        # 核心缩放计算
        scaled_X = (X - self.min_) / feature_range
        # 映射到指定的目标范围
        scaled_X = self.a + (self.b - self.a) * scaled_X
        return scaled_X

    def fit_transform(self, X):
        # 一步完成拟合+转换
        return self.fit(X).transform(X)

怎么用？和sklearn一模一样： #

# 示例数据（可以是列表或者numpy数组）
sample_data = [[1, 5, 10], [2, 7, 15], [3, 9, 20]]
# 初始化缩放器，也可以指定范围比如feature_range=(-1,1)
scaler = CustomMinMaxScaler()
# 拟合并转换数据
scaled_data = scaler.fit_transform(sample_data)
print(scaled_data)

2. 轻量版（直接用numpy公式快速处理） #

如果只是临时处理一组数据，不想写类，直接用numpy按公式计算就行，更简洁：

import numpy as np

# 示例二维数据（n行样本，m列特征）
data = np.array([[1, 2], [4, 5], [7, 8]])
# 计算每个特征的min和max
data_min = data.min(axis=0)
data_max = data.max(axis=0)
# 计算范围，避免除以0
feature_range = data_max - data_min
feature_range[feature_range == 0] = 1
# 缩放到[0,1]
scaled_data = (data - data_min) / feature_range
print(scaled_data)

要是你需要缩放到其他范围（比如[-1,1]），就在最后加一步：

a, b = -1, 1
scaled_data = a + (b - a) * scaled_data

备注：内容来源于stack exchange，提问作者Denis Dal Soler