我只是注意到没有一个答案包含最重要的指令。所以这就是它的完成方式，因为我很久以前就已经解决了这个问题。

from sklearn.pipeline import Pipeline
from sklearn.externals import joblib

pipeline = Pipeline([
                ('normalization', MinMaxScaler()),
                ('classifier', RandomForestClassifier())
            ])
pipeline.fit(X)

其他答案中缺少的pipeline.fit()是非常重要的。一旦 scikit 函数学习了您的训练数据X的参数，您就可以将该管道转储到一个文件中，然后像这样完成其余的工作。

joblib.dump(pipeline, 'transform_predict.joblib')
pipeline = load('transform_predict.joblib') 
transformed_data = pipeline.transform(new_data)

这将对在训练数据集上完成的数据集（即使包含 1 个样本）应用相同的转换。

更新

对于较新的版本，我相信必须阅读。我达到了内存限制，以下更改有所帮助。

with open(conf['le_embedder_file'], 'rb') as f:
    pipe_le = joblib.load(f)  

和写

with open(conf['tecv_embedder_file'], 'wb') as f:
    joblib.dump(pipe_tecv, f, compress='zlib')

我必须阅读

与其存储和加载许多文件，不如创建一个包含所有转换的 Scikit-learn 转换管道，然后将其保存为 pickle 或 joblib 文件。

from sklearn.pipeline import Pipeline
from sklearn.externals import joblib

pipeline = Pipeline([
                ('normalization', MinMaxScaler()),
                ('classifier', RandomForestClassifier())
            ])

joblib.dump(pipeline, 'transform_predict.joblib')

然后，您可以只加载一个转换管道并调用 fit_transform 来转换输入数据并获得预测：

 pipeline = load('transform_predict.joblib') 
 predictions = pipeline.predict(new_data)

您需要保存 minmaxscaler（连同模型）。在 Flask 应用程序中，您可以：

1. 从文件加载缩放器
2. 使用此缩放器实例来缩放输入值

#训练时

from sklearn.externals import joblib
scaler_filename = "saved_scaler"
joblib.dump(scaler, scaler_filename)

在 Flask 应用程序中

scaler_filename = "saved_scaler"    
scaler = joblib.load(scaler_filename)