我怎样才能干净地规范化数据，然后在以后“取消规范化”它？答案

【问题标题】：How can I cleanly normalize data and then "unnormalize" it later?我怎样才能干净地规范化数据，然后在以后“取消规范化”它？
【发布时间】：2017-09-09 00:17:39
【问题描述】：

我正在使用带有 Tensorflow 神经网络的 Anaconda。我的大部分数据都存储在pandas。
我正在尝试预测加密货币市场。我知道很多人可能都在这样做，而且它很可能不会很有效，我这样做主要是为了让自己熟悉 Tensorflow 和 Anaconda 工具。
我对此很陌生，所以如果我做错了什么或做得不够好，请告诉我。

以下是我获取和处理数据的方式：

从 quandl.com 下载数据集到 pandas DataFrames
从每个下载的数据集中选择所需的列
连接DataFrames
从新合并的DataFrame 中删除所有 NaN
使用代码
df = (df - df.min()) / (df.max() - df.min()) 将新DataFrame 中的每一列（独立）标准化为0.0-1.0
将标准化数据输入我的神经网络
对数据进行非规范化（这是我没有实现的部分）

现在，我的问题是，我怎样才能干净地规范化然后取消规范化这些数据？我意识到，如果我想对数据进行非规范化，我将需要存储初始的 df.min() 和 df.max() 值，但这看起来很难看，感觉很麻烦。
我知道我可以使用 sklearn.preprocessing.MinMaxScaler 规范化数据，但据我所知，我无法使用它对数据进行非规范化。

这可能是我做错了什么，但如果没有一种干净的方法可以使用 Anaconda 或其他库对数据进行规范化和非规范化，我会感到非常惊讶。

【问题讨论】：

在不存储最小值和最大值的情况下无法进行非规范化。我会将规范化封装在一个函数中并返回最大值和最小值（以及规范化数据）以供以后使用。
@Robbie 这就是我打算做的事情，但没有实现这样的事情似乎很奇怪。我接近这个错误吗？我什至应该正常化吗？我正在使用这个网络进行加密货币市场分析
您不必对数据进行归一化以在神经网络中使用它，尽管这样做是出于各种原因（请参阅faqs.org/faqs/ai-faq/neural-nets/part2）。
@Robbie 谢谢，那里有很多有价值的信息。

标签： python pandas numpy tensorflow normalize

【解决方案1】：

sklearn.preprocessing 中的所有缩放器都有专门为此设计的 inverse_transform 方法。

例如，要使用 MinMaxScaler 缩放和取消缩放 DataFrame，您可以这样做：

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaled = scaler.fit_transform(df)
unscaled = scaler.inverse_transform(scaled)

请记住，transform 函数（以及 fit_transform）返回的是 numpy.array，而不是 pandas.Dataframe。

【讨论】：