三个函数的使用具体解释，在数据预处理中的应用
1、只涉及一组数据
-
fit(data) 对数据进行拟合，获得了数据的均值，最大最小，标准差等属性值
transform（data） 利用 fit(data) 获取到的属性对数据做预处理，如标准化，归一化，降维处理
from sklearn.decomposition import PCA
# 设置主成分为2
pca=PCA(n_components=2)
pca.fit(x_stand)
x_pca=pca.transform(x_stand)
-
fit_transform相当于fit和transform的结合，
fit_transform(data) 即先对数据做了fit（data），然后做transform（data） 处理
from sklearn.decomposition import PCA
# 设置主成分为2
pca=PCA(n_components=2)
x_pca=pca.fit_transform(x_stand)
2、对两组数据（如train，test）做相同的处理
（1）可以两组数据合并后再处理，照搬1的处理方法
（2）
from sklearn.decomposition import PCA
# 设置主成分为2
pca=PCA(n_components=2)
x_train_pca=pca.fit_transform(x_tain)
x_test_pca=pca.transform(x_test) ###
为什么训练集用 fit_transform ， 测试集用 transform
（1）是拿train，test合并后的数据的属性值对所有数据做处理，（2）则是只用train的属性对train和test做处理，在实际数据处理中，推荐使用第二种处理方式，也就是都是利用训练集 train 得到的均值方差等数据对 test 数据集进行处理，第一种处理方式（训练集测试集合并处理）在把训练集和测试集放在一块PCA的时候，相当于训练集和测试集互相引入了信息，后来训练的网络很可能过拟合，准确率也虚高。
预处理时：
- 训练集 测试集提前分开，划分好；
- 训练集预处理时，保存好训练集的均值+方差，它的零均值化，标准化正常进行；
- 测试集利用刚保存的训练集的均值+方差进行零均值化，标准化；
PCA降维时：
- 预处理后的训练集 测试集依然分开；
- 用训练集进行PCA降维，得到投影矩阵P；
- 测试集利用刚训练集得到的投影矩阵P进行降维；
