你抓的这个点太关键了——机器学习里，预处理的规则必须从训练数据里学，然后完完整整套用到新数据上，绝对不能给新数据重新“定制”一套预处理规则，不然模型根本认不出这些特征！

你说的问题核心就在这里：如果对新数据执行min_max_scaler.fit_transform()，scaler会重新计算新数据里A、B的最大值和最小值来做归一化，这和训练时用的基准完全不一样，相当于把特征的“刻度”改了，模型训练时学的是旧刻度下的规律，自然没法给出正确预测。

正确的做法分两步： #

1. 训练阶段：用训练数据拟合scaler并转换

这部分你原来的代码是对的，重点是fit_transform()只在训练数据上做：

from sklearn import preprocessing
import pandas as pd

min_max_scaler = preprocessing.MinMaxScaler()
df = pd.DataFrame({'A':[1,2,3,7,9,15,16,1,5,6,2,4,8,9],'B':[15,12,10,11,8,14,17,20,4,12,4,5,17,19],'C':['Y','Y','Y','Y','N','N','N','Y','N','Y','N','N','Y','Y']})

# 用训练数据“教会”scaler该怎么归一化，同时转换训练数据
df[['A','B']] = min_max_scaler.fit_transform(df[['A','B']])
df['C'] = df['C'].apply(lambda x: 0 if x.strip()=='N' else 1)

# 接下来正常训练你的模型，比如：
# from sklearn.linear_model import LogisticRegression
# model = LogisticRegression()
# model.fit(df[['A','B']], df['C'])

这里fit()的作用是让scaler记住训练数据里A、B的最大值、最小值这些关键统计量（你可以打印min_max_scaler.data_min_、min_max_scaler.data_max_看看这些存储的值）。

2. 预测阶段：直接用训练好的scaler转换新数据

绝对不能再调用fit()，只用transform()就好：

# 你的新数据
new_df = pd.DataFrame({'A':[25,67,24,76,23],'B':[2,54,22,75,19]})

# 用训练阶段学过的规则转换新数据，完全复用训练时的max/min
new_df[['A','B']] = min_max_scaler.transform(new_df[['A','B']])

# 然后用训练好的模型预测：
# predictions = model.predict(new_df[['A','B']])

为什么这样才对？ #

模型是基于训练数据归一化后的特征训练的，比如训练时A的范围是1-16，归一化后是0-1；如果新数据的A是25，按照训练的规则，它会被转换成(25-1)/(16-1)=1.6，这个值虽然超过了训练时的0-1范围，但模型依然能基于学习到的规律判断——而如果重新fit新数据，25会被当成新的最大值转换成1，这就完全打乱了特征的意义。

简单说：训练时怎么处理数据，预测时就必须原封不动地照搬这个处理逻辑，这是保证预测有效的核心原则之一。

内容的提问来源于stack exchange，提问作者Tia