Pandas 中的非标准化数据框

Question

我有一个数据框，我对其进行规范化以放入算法中。算法运行后，我得到一系列归一化的预测值。我想取消规范化这些值以进行后处理演算。为了标准化，我使用了 MinMax Scaler。如何正确取消标准化这些值？

数据标准化：

# normalise data
df_scaled = preprocessing.MinMaxScaler().fit_transform(df.values)
dfx_scaled = pd.DataFrame(df_scaled, columns=df.columns)

预测值具有数组的形式：

# predicted array of values
array([[0.25426427],
       [0.00605401],
       [0.60834366],
       [0.21384366],
       [0.16588062],
       [0.25884567]])

我考虑过在标准化之前将预测值乘以列目标的最大值，但我认为这是不正确的。 任何帮助表示赞赏！

Answer 1

sklearn 中的变形金刚有一个inverse_transform 方法可以做到这一点。但是，您似乎对功能和目标进行了规范化，因此不能按原样使用。因此，您可以将它们分开：

# prepare two scalers
X_scaler = preprocessing.MinMaxScaler()
y_scaler = preprocessing.MinMaxScaler()

# features are everything but target
X = df.drop(columns="target")
y = df["target"]

# scale them separately
X_scaled = X_scaler.fit_transform(X)
y_scaled = y_scaler.fit_transform(y)

# training..
# ...

# prediction time
preds = ...
unnormalized_preds = y_scaler.inverse_transform(preds)