列归一化本质是每列独立执行(x - col_mean) / col_std：需用axis=0计算均值和标准差以获得(n_cols,)向量实现广播；漏写axis=0或误用axis=1会导致错误；含NaN时建议keepdims=True；StandardScaler更适用于需复用参数的场景。
用 numpy.mean 和 numpy.std 沿 axis=0 计算每列统计量
列归一化本质是：对每列独立做 (x - col_mean) / col_std。关键在于让 mean 和 std 沿行方向（即 axis=0）聚合，得到形状为 (n_cols,) 的向量，后续才能广播到原数组上。
常见错误是漏写 axis=0，导致默认按全数组计算，返回标量，无法正确广播；或误用 axis=1（按行统计），结果完全错位。
实操建议：
-
np.mean(arr, axis=0)和np.std(arr, axis=0)是最直接的选择 - 若数据含 NaN，加
keepdims=True保证维度对齐（如arr.shape=(100, 5)→mean.shape=(），避免广播出错
1, 5)
- 注意
np.std默认是「总体标准差」（ddof=0），如需「样本标准差」，显式传ddof=1
用 sklearn.preprocessing.StandardScaler 批量复用归一化参数
当需要先在训练集上拟合归一化参数（mean/std），再应用到验证集或新数据时，硬写 (x - mean) / std 易出错且难维护。此时 StandardScaler 更安全高效。
它自动处理 axis=0、NaN 忽略（需预处理）、以及后续 transform 的广播逻辑。
实操建议：
- 训练阶段：用
scaler = StandardScaler().fit(X_train)，内部已存好每列的mean_和scale_（即 std） - 推理阶段：直接
X_val_normalized = scaler.transform(X_val)，无需手动计算 - 注意：
StandardScaler默认不中心化（即去均值）也不缩放？错——它默认两者都做；若只需其中一项，设with_mean=False或with_std=False
避免 np.divide 和 np.subtract 手动广播的冗余调用
有人会写 np.divide(np.subtract(arr, means), stds)，这不仅可读性差，还多出两层函数调用开销。NumPy 的原生运算符（-、/）已针对数组广播高度优化。
实操建议：
- 直接写
(arr - means) / stds，前提是means和stds是 shape 兼容的（如(1, n)或(n,)） - 若原始
arr是二维但means是一维，NumPy 会自动广播；但为明确意图，可显式升维：means.reshape(1, -1)或用keepdims=True - 除零风险：若某列 std 为 0（常因全同值导致），
/会产出inf或nan；可在除法前用np.where(stds == 0, 1, stds)做兜底
性能差异：原生 NumPy 运算 vs scipy.stats.zscore
scipy.stats.zscore(arr, axis=0) 看似简洁，但它内部做了额外检查（如 dtype 转换、axis 验证），比纯 NumPy 写法慢约 2–3 倍（百万级小矩阵实测）。而且它不提供单独获取 mean/std 的接口，不利于参数复用。
实操建议：
- 纯归一化一次：用
(arr - arr.mean(axis=0)) / arr.std(axis=0)最快 - 需保存参数或多次 transform：选
StandardScaler - 别用
zscore替代基础归一化，除非你正重度依赖 SciPy 生态且不在意这点开销
实际中容易忽略的是 std 为零的列——它不会报错，但会让整列变成 nan 或 inf，后续模型训练可能静默失败。动手前务必检查 np.std(arr, axis=0) 是否有零值。
