Python对一列相等的数据归一化后再逆归一化

原创

mob649e81576de1 2024-10-09 06:50:51 ©著作权

©著作权归作者所有：来自51CTO博客作者mob649e81576de1的原创作品，请联系作者获取转载授权，否则将追究法律责任

Python对一列相等的数据归一化后再逆归一化的实现

一、流程概述

在数据分析中，归一化（Normalization）是一种常用的预处理步骤，能够将数据缩放到特定的范围。逆归一化（Inverse Normalization）则是将归一化后的数据恢复到原始数据的过程。下面是归一化和逆归一化的步骤概述，我们将通过一个简单的示例来演示整个过程。

步骤表格

步骤	描述
1. 准备数据	创建一个示例数据集
2. 归一化	将数据缩放到[0, 1]范围
3. 保存归一化参数	保存最小值和最大值用于逆归一化
4. 逆归一化	将归一化后的数据恢复到原始数据

二、每一步具体实现

接下来，我们将逐步实现上述步骤，包含所需的代码及其注释。

1. 准备数据

首先，我们需要创建一个简单的数据集。我们可以使用Python的NumPy库来产生随机数据。

import numpy as np

# 创建一个包含10个随机数的数组
data = np.random.randint(1, 100, size=10)
print("原始数据:", data)

2. 归一化

接下来，我们将对数据进行归一化处理，缩放到[0, 1]的范围。归一化的公式为：

[ \text{normalized} = \frac{(x - \text{min})}{(\text{max} - \text{min})} ]

在代码中实现如下：

# 计算最小值和最大值
data_min = np.min(data)
data_max = np.max(data)

# 归一化操作
normalized_data = (data - data_min) / (data_max - data_min)
print("归一化后的数据:", normalized_data)

3. 保存归一化参数

为了能够进行逆归一化，我们需要保存归一化所用的最小值和最大值：

# 保存归一化参数
params = {
    'min': data_min,
    'max': data_max
}

4. 逆归一化

现在，我们可以使用存储的参数来进行逆归一化。逆归一化的公式为：

[ x = \text{normalized} \times (\text{max} - \text{min}) + \text{min} ]

代码实现如下：

# 逆归一化操作
inversed_data = normalized_data * (params['max'] - params['min']) + params['min']
print("逆归一化后的数据:", inversed_data)

三、序列图

下面是整个操作流程的序列图，帮助你更直观地理解各个步骤之间的关系：

sequenceDiagram
    participant User
    participant Code
    User->>Code: 准备数据
    Code-->>User: 返回原始数据
    User->>Code: 归一化
    Code-->>User: 返回归一化后的数据
    User->>Code: 保存归一化参数
    User->>Code: 逆归一化
    Code-->>User: 返回逆归一化后的数据