在sklearn中，Scaler是用来对数据进行缩放操作的工具，常用的Scaler有StandardScaler、MinMaxScaler、MaxAbsScaler等。这些Scaler都需要先对数据进行拟合（即计算均值、标准差等），然后再使用transform方法进行数据缩放。

如果你不想进行拟合操作，可以使用sklearn中的FunctionTransformer类来创建一个自定义的Scaler。这个自定义的Scaler可以直接对数据进行操作，而不需要进行拟合。

以下是一个示例代码：

from sklearn.preprocessing import FunctionTransformer
import numpy as np

def scaler_function(X):
    # 在这里定义数据缩放的操作，这里以将数据乘以2为例
    return X * 2

# 创建一个FunctionTransformer对象，指定自定义的Scaler函数
scaler = FunctionTransformer(scaler_function)

# 原始数据
X = np.array([[1, 2, 3], [4, 5, 6]])

# 使用自定义的Scaler进行数据缩放
X_scaled = scaler.transform(X)

# 输出缩放后的数据
print(X_scaled)

输出结果为：

[[ 2  4  6]
 [ 8 10 12]]

在这个示例中，我们创建了一个自定义的Scaler函数scaler_function，这个函数将输入的数据乘以2。然后我们使用FunctionTransformer类来创建一个自定义的Scaler对象scaler，并指定了刚刚定义的函数。最后，我们对原始数据进行缩放操作，得到缩放后的数据X_scaled。