标准化（Z-Score）公式为：
z = (x - u) / s
其中，u为训练集数据的平均值，如果with_mean参数为False则为0；s为训练集数据的方差，如果with_std参数为False则为1。均值和方差结果使用transform对象存储，可直接用在后续的数据例如测试集中。

数据集的标准化是许多机器学习估计器的共同要求：如果单个特征或多或少不像标准正态分布数据（例如，均值和单位方差均为0的高斯分布），那么这些估计器可能表现不好。

算法的目标函数中使用的许多元素（如支持向量机的RBF核或线性模型的L1和L2正则化器）假设所有特征都以0为中心，并且具有相同顺序的方差。如果一个特征的方差比其他特征的方差大几个数量级，它可能会支配目标函数，使估计器无法按照预期正确地从其他特征中学习。

例子：

方法：

• fit(X[, y, sample_weight]) 计算均值和方差存储成StandardScaler()后续使用
• fit_transform(X[, y]) Fit to data, then transform it.

官网API说明：
https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html#sklearn.preprocessing.StandardScaler