要保存StandardScaler()模型以供在新数据集上使用，可以使用pickle库将模型保存为文件。以下是一个示例代码：

import pickle
from sklearn.preprocessing import StandardScaler

# 创建StandardScaler模型并拟合数据
scaler = StandardScaler()
data = [[0, 0], [0, 0], [1, 1], [1, 1]]
scaler.fit(data)

# 保存模型为文件
filename = 'scaler_model.pkl'
pickle.dump(scaler, open(filename, 'wb'))

# 加载模型并在新数据集上使用
loaded_scaler = pickle.load(open(filename, 'rb'))
new_data = [[2, 2], [3, 3]]
scaled_data = loaded_scaler.transform(new_data)

print(scaled_data)

在上述代码中，我们首先导入了pickle库和StandardScaler类。然后，我们创建了一个StandardScaler对象并使用fit()方法拟合数据。接下来，我们使用pickle.dump()函数将模型保存到名为"scaler_model.pkl"的文件中。

然后，我们使用pickle.load()函数从文件中加载模型，并使用transform()方法在新数据集上进行缩放。最后，我们打印出了缩放后的新数据集。

请注意，加载模型时需要使用与保存模型时相同的pickle版本。因此，建议在同一个环境中运行保存和加载模型的代码。