我将 Anaconda 与 Tensorflow 神经网络结合使用。我的大部分数据都存储在 pandas
中。
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:
- 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
- 从合并后的新
DataFrame
中删除所有 NaN - 使用代码
df = (df - df.min( ))/(df.max() - df.min())
- 将标准化数据输入我的神经网络
- 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,我将需要存储初始的 df.min()
和 df.max()
值,但这看起来又丑又笨重。
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。
最佳答案
sklearn.preprocessing
中的所有缩放器有专门为此设计的 inverse_transform
方法。
例如,要使用 MinMaxScaler
缩放和取消缩放您的 DataFrame
,您可以执行以下操作:
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
)返回一个 numpy.array
,而不是一个 pandas.Dataframe
.
关于python - 我怎样才能干净地规范化数据然后 "unnormalize"呢?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43382716/