在python上数据归一化后怎样还原

Posted 2023-05-11

看到各位大佬们都会把原始数据进行归一化，再处理。可是都没有人讲怎样把归一化的数据还原回来。
目前可找到的方法就只有matlab上的这个函数：
xtt = mapminmax('reverse',y1,ps)
在python上，就看到许多人推荐用sklearn进行归一化，但没有还原的方法呀。
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
你要问我为什么 要还原？
把日期和气温的数据放到模型里跑半天，想看看下一天的气温，结果出来一个0.837之类东西。

sklearn中transform用来归一化后，可以用inverse_transform还原。 参考技术A 归一化用fit_transform（）
数据还原用inverse_transform（）

数据的归一化处理

我输入一些数据比如说，a,b,c,d……，经过归一化处理后得到一组数据，我用归一化后的这组数据进行计算得到x,y,z……，我怎样将x,y,z……，反归一化处理，他们的比例还能按照以前的计算吗？
谢谢！
那我该怎么办呢？

是的，把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。

归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。

1、（0,1)标准化：

这是最简单也是最容易想到的方法，通过遍历feature vector里的每一个数据，将Max和Min的记录下来，并通过Max-Min作为基数（即Min=0，Max=1）进行数据的归一化处理：

LaTex：｛x_normalization=\\fracx-MinMax-Min

Python实现：

2、Z-score标准化：

这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，这里的关键在于复合标准正态分布，个人认为在一定程度上改变了特征的分布，关于使用经验上欢迎讨论，我对这种标准化不是非常地熟悉。

参考技术A 　　数据
归一化方法
有两种形式，一种是把数变为（0，1）之间的小数，一种是把有
量纲
表达式
变为无量纲表达式。
　　1、把数变为（0，1）之间的小数
　　主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速，应该归到
数字信号处理
范畴之内。
　　2、是把有量纲表达式变为无量纲表达式
　　归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。 参考技术B 那你就看看你的处理流程，你觉得是可能的吗？
至少我的感觉是，你归一化了，那么很多不同的数据可能会在归一化后得到相同的结果，那你肯定无法区分这些数据吧
----------------------------------------------------------
额。。我根本不知道你在做的什么，怎么知道该怎么办呢。。
笼统的来讲，如果你需要那些归一化之前的数据，就应该保留他们的一个副本啊 参考技术C 归一化以后，数据本身已经发生变化了，或者说被替代了，不可能有反归一化这个过程~~