feat(data): transform.py 四个函数落地；补 18 条测试、清 5 条 ruff

实现（用户本人写）：
- normalize（minmax / vector / max，三种都按列）+ feature_range 校验 + 常量列不出 nan
- standardize（按列，ddof 真的传下去）+ 类型守卫
- log_transform（offset=None 时自动取 1 - min(x)，保证 x + offset >= 1）+ 类型守卫
- one_hot_encode（自动识别对象列 / 指定列 / drop_first）
- data/ 下的 L0 至此结清（L0 7/12）

Codex 的轻度修复（不改接口与语义）：
- 清掉 5 条 ruff：RET503 / F541 / RET504 / RET505 / SIM108
- supported_method 与 feature_range 的校验提到 np.asarray 之前（守卫集中开头）
- 修掉说反的报错文案（条件是要求下界 < 上界，原文写"上界必须小于下界"）
- one_hot_encode 自动识别时显式加上 str / string：只写 object 在 pandas 3 上是弃用路径，
  每次调用发 Pandas4Warning，未来会变成"一列都选不中"的静默错误（详见坑 9）

测试：
- 新写 18 条（transform 段），其中两条是把原先挂着的 skip 转为实跑 ——
  normalize / standardize 的实现此前一条测试都没跑到（详见个人易错点 9）
- 82 passed / 40 skipped / 0 xfailed；ruff 0；pyright 0

文档：
- STATUS.md：E 节 + 验证表（122 条用例分布）+ 下一步重写（transform 待定的 4 个口径）+ 决策 34
- docs/04-environment.md：新增坑 9（pandas 3 的 str dtype 与 select_dtypes 弃用路径，含实测对照表）
- docs/dev/personal-pitfalls.md：只追加第 9 条（实现写完但测试还挂 skip，绿灯是假的）
- CHANGELOG.md：本轮变更 + 记录 transform 待定的 4 个口径

src/mcm_toolkit/data/transform.py

@@ -10,6 +10,9 @@ from __future__ import annotations
 
 from typing import Any
 
+import numpy as np
+import pandas as pd
+
 __all__ = ["log_transform", "normalize", "one_hot_encode", "standardize"]
 
 
@@ -33,14 +36,53 @@ def normalize(x: Any, method: str = "minmax", feature_range: tuple[float, float]
     >>> normalize([1, 2, 3]).tolist()
     [0.0, 0.5, 1.0]
     """
-    # TODO(L0)
-    raise NotImplementedError
+    supported_method = ['minmax','vector','max']
+    if method not in supported_method:
+        raise ValueError(f"不支持的方法:{method},仅支持{supported_method}")
+
+    if method == 'minmax':
+        if not isinstance(feature_range, tuple) or len(feature_range) != 2:
+            raise TypeError(f"feature_range必须是形如(low, high)的二元组,你传入了{feature_range}")
+        if feature_range[0] >= feature_range[1]:
+            raise ValueError(f"feature_range的下界必须小于上界,你传入了{feature_range}")
+
+    arr = np.asarray(x,dtype=float)
+
+    if method == 'minmax':
+        x_min = np.min(arr, axis=0)
+        x_max = np.max(arr, axis=0)
+
+        x_range = x_max - x_min
+        x_range = np.where(x_range == 0, 1.0, x_range)
+
+        scaled = (arr - x_min) / x_range
+        return scaled * (feature_range[1] - feature_range[0]) + feature_range[0]
+
+    if method == 'vector':
+        norm = np.linalg.norm(arr, axis=0)
+        norm = np.where(norm == 0, 1.0, norm)
+        return arr / norm
+
+    # 上面已校验 method 合法，所以这里不必再写 elif，兜住仅剩的 'max'
+    x_max = np.max(arr, axis=0)
+    x_max = np.where(x_max == 0, 1.0, x_max)
+    return arr / x_max
 
 
 def standardize(x: Any, ddof: int = 0) -> Any:
     """标准化 `(x - mean) / std`，输出均值 0、标准差 1。"""
-    # TODO(L0)
-    raise NotImplementedError
+    if not isinstance(x, (int, float, list, tuple, np.ndarray, pd.Series)):
+        raise TypeError(f"输入必须为数值型、列表、numpy array 或 pandas Series,你传入了{type(x)}")
+
+    arr = np.asarray(x, dtype=float)
+
+    mean = np.mean(arr, axis=0)
+
+    std = np.std(arr, axis=0, ddof=ddof)
+
+    std = np.where(std == 0, 1.0, std)
+
+    return (arr - mean) / std
 
 
 def log_transform(x: Any, offset: float | None = None) -> Any:
@@ -48,11 +90,33 @@ def log_transform(x: Any, offset: float | None = None) -> Any:
 
     `offset=None` 时自动取 `1 - min(x)`（含 0 或负值时）保证定义域。
     """
-    # TODO(L1)
-    raise NotImplementedError
+    if not isinstance(x, (int, float, list, tuple, np.ndarray, pd.Series)):
+        raise TypeError(f"输入必须为数值型、列表、numpy array 或 pandas Series,你传入了{type(x)}")
+
+    arr = np.asarray(x, dtype=float)
+
+    if offset is None:
+        min_val = np.min(arr)
+        offset = 1.0 - min_val if min_val <= 0 else 0.0
+    return np.log(arr + offset)
 
 
 def one_hot_encode(data: Any, columns: list[str] | None = None, drop_first: bool = False) -> Any:
     """类别变量独热编码。"""
-    # TODO(L1)
-    raise NotImplementedError
+    if not isinstance(data, pd.DataFrame):
+        raise TypeError(f"data必须是 pandas DataFrame, 你传入了{type(data)}")
+
+    if columns is not None:
+        missing_cols = [col for col in columns if col not in data.columns]
+        if missing_cols:
+            raise ValueError(f"指定的列不存在于数据中:{missing_cols}")
+        cols_to_encode = columns
+    else:
+        # 'str' / 'string' 必须显式写上：pandas 3 起字符串列的 dtype 是 'str'，
+        # 只写 'object' 目前还能选中，但会发 Pandas4Warning，且官方声明未来移除该行为
+        # —— 到那天这里会**静默**一列都不编码，比报错难查得多。
+        object_like = ['object', 'category', 'str', 'string']
+        cols_to_encode = data.select_dtypes(include=object_like).columns.tolist()
+
+    return pd.get_dummies(data, columns=cols_to_encode, drop_first=drop_first)
+