Sklearn.preprocessing.normalize 是向量范数归一化。默认情况下，它使用 L2 范数，即。例如，如果有一个向量，那么，那么如果你对向量进行归一化，它将是。$x_{norm}=\sqrt{\Sigma{x_i^2}}$$(1,2,3)$$x_{norm}=\sqrt{1^2+2^2+3^2}=3.7416$$(\frac{1}{3.7416},\frac{2}{3.7416},\frac{3}{3.7416})$

如果这是您想要的，请尝试

# convert to numpy array with shape(rows,1)
df_array = df['Miles'].values.reshape(-1,1)
df['Miles'] = preprocessing.normalize(df_array,axis=0)

请注意设置axis = 0，否则它将按列完成，您将获得所有1个向量。

我认为您可能想要缩放向量而不是标准化，尝试 mean-std scale by sklearn.preprocessing.scale， max-min scale by sklearn.preprocessing.minmax_scale。确保首先重塑阵列。

首先，这可能不是您正在寻找的规范化 sklearn.preprocessing.normalize 是一种确保特征向量长度为​​ 1 的工具。

根据 sklearn.preprocessing.normalize

将输入向量单独缩放到单位范数（向量长度）。

如果你仍然坚持，修复很简单。简单地做

df['Miles'] = preprocessing.normalize(df['Miles'].values.reshape(-1,1))

但我可以猜测你的结果将是一个全为 1 的特征向量。