我該如何清理標準化數據，然後再「非標準化」呢？

Question

我使用的是帶有Tensorflow神經網絡的Anaconda。我的大部分數據都與pandas存儲在一起。
我試圖預測加密貨幣市場。我知道很多人可能會這樣做，而且這很可能不會很有效，我主要是通過它來熟悉Tensorflow和Anaconda工具。
我對此很新，所以如果我做錯了什麼或不理想，請讓我知道。

這裏是我的AQUIRE和處理數據：從quandl.com

1. 下載數據集到大熊貓DataFrames
2. 從每個下載的數據集
3. 串聯的DataFrames
4. 下拉菜單中選擇所需的列合併後的所有NaN DataFrame
5. 將每列（獨立）標準化爲0.0-1.0新DataFrame使用的代碼
   df = (df - df.min())/(df.max() - df.min())
6. 飼料的歸一化數據到我的神經網絡
7. Unnormalize的數據（這是我還沒有實現的部分）

現在，我的問題是， ，我該如何幹淨地標準化，然後對這些數據進行非規範化處理？我意識到如果我想對數據進行非規範化處理，我將需要存儲最初的df.min()和df.max()值，但這看起來很醜並且感覺很麻煩。
我知道我可以使用sklearn.preprocessing.MinMaxScaler來標準化數據，但據我所知我不能使用這個來對數據進行非標準化。

這可能是我在這裏做了一些根本性的錯誤，但是如果沒有一種乾淨的方法來規範化和使用Anaconda或其他庫進行非規範化的數據，我會非常驚訝。

Answer 1

sklearn.preprocessing中的所有縮放器都有inverse_transform專爲此設計的方法。

例如，規模和未擴展您的DataFrame與MinMaxScaler你可以這樣做：

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

只要記住了transform函數（fit_transform以及）返回一個numpy.array，而不是pandas.Dataframe 。