标准化转换后的均值为0，标准差为1。在实际计算中，由于浮点数的精度问题，可以接受一定的偏差。

以下是一个使用Python进行标准化转换并计算均值和标准差的示例代码：

import numpy as np
from sklearn.preprocessing import StandardScaler

# 创建示例数据
data = np.array([[1, 2, 3],
                 [4, 5, 6],
                 [7, 8, 9]])

# 使用StandardScaler进行标准化转换
scaler = StandardScaler()
normalized_data = scaler.fit_transform(data)

# 计算标准化后的均值和标准差
mean = np.mean(normalized_data)
std = np.std(normalized_data)

print("标准化后的均值：", mean)
print("标准化后的标准差：", std)

运行以上代码，输出结果如下：

标准化后的均值： -2.7755575615628914e-17
标准化后的标准差： 1.0

可以看到，标准化后的均值非常接近于0，标准差非常接近于1。由于浮点数精度问题，均值可能不是严格的0，标准差可能不是严格的1，但可以接受这样的微小偏差。