这种转换称为 min-max-scaling，通常也称为标准化。

Scikit learn 提供了MinMaxScaler()这个（见这里）。这是一个改编自 Mueller 和 Guido 的“Python 机器学习简介”的示例：

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler

cancer = load_breast_cancer()

X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target,
random_state=1)

scaler = MinMaxScaler()

scaler.fit(X_train)

X_train_scaled = scaler.transform(X_train)
X_test_scaled = scaler.transform(X_test)

（旁注：请记住，仅在训练数据而不是测试数据上拟合缩放器！）

在 Raschka 的《Python 机器学习》一书中，作者提供了 min-max-scaling/standardization 与 normalization 的简要实用比较（后者意味着减去均值并除以方差）：

尽管通过 min-max 缩放进行标准化是一种常用的技术，当我们需要有界区间内的值时很有用，但标准化对于许多机器学习算法可能更实用。原因是许多线性模型，例如逻辑回归和 SVM，[...] 将权重初始化为 0 或接近 0 的小随机值。使用标准化，我们将特征列的中心在均值 0 处，标准差为 1，因此特征列采用正态分布的形式，这使得学习权重更容易。此外，标准化保留了有关异常值的有用信息，并使算法对它们不太敏感，这与将数据缩放到有限值范围的 min-max 缩放相比。

我认为分位数转换器有些混淆：https ://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.QuantileTransformer.html#sklearn.preprocessing.QuantileTransformer它实际上将值缩放为0-1范围。目标是获得均匀分布。它的用途与 minmax scaler imho 不同。值得注意的是，如果你得到异常值，它可能会有所帮助。

要更全面地了解不同缩放器的功能： https ://scikit-learn.org/stable/auto_examples/preprocessing/plot_all_scaling.html#sphx-glr-auto-examples-preprocessing-plot-all-scaling-py

首先，您决定转换变量的方式应该取决于您使用它们的目的。

一般来说，我不建议你做你所说的。

然而，通常用来处理变量不在“相似范围”内的问题是标准化。要标准化，您只需从值中减去平均值并除以标准偏差。这导致变量均具有均值 0 和标准差 1。

是否要进行数据转换，实际上取决于您使用的算法。基于树的算法（决策树、随机森林、梯度提升算法）是尺度不变的，因此不会从转换中受益。而对于 K-Nearest Neighbors，您可能希望缩放您的特征，否则具有较大值的特征会受到不成比例的影响。