我怎样才能干净地规范化数据然后 "unnormalize" 呢？

Question

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.
我试图预测加密货币市场。我知道很多人可能都在这样做，而且很可能不会很有效，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不够理想，请告诉我。

以下是我获取和处理数据的方式：

1. 将数据集从 quandl.com 下载到 pandas DataFrames
2. Select 每个下载数据集中的所需列
3. 连接 DataFrames
4. 从新合并的 DataFrame
中删除所有 NaN
5. 使用代码
   df = (df - df.min()) / (df.max() - df.min())
将新 DataFrame 中的每一列（独立地）归一化为 0.0-1.0
6. 将标准化数据输入我的神经网络
7. 非规范化数据（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非规范化这些数据？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 df.min() 和 df.max() 值，但这看起来很难看而且感觉很麻烦。
我知道我可以使用 sklearn.preprocessing.MinMaxScaler 对数据进行规范化，但据我所知，我无法使用它对数据进行非规范化。

这可能是我在这里做的根本错误，但如果没有一种干净的方法来使用 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。

Answer 1

sklearn.preprocessing 中的所有定标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）return 是 numpy.array，而不是 pandas.Dataframe。