3维数组在2维标准化以后，将标准化后的数组3维化

将标准化后的二维数组还原为三维数组，可以按照以下步骤进行：

from sklearn.preprocessing import StandardScaler
import numpy as np

# 假设 X 是你的 3D 数组，形状为 (n_samples, n_time_steps, n_features)
n_samples, n_time_steps, n_features = X.shape

# 将 X 转换为 2D 数组
X_2d = X.reshape(n_samples * n_time_steps, n_features)

# 对 X_2d 进行标准化
scaler = StandardScaler()
X_2d_scaled = scaler.fit_transform(X_2d)

# 将标准化后的 2D 数组转换回 3D 数组
X_scaled = X_2d_scaled.reshape(n_samples, n_time_steps * n_features)

# 将 X_scaled 转换回原始 3D 数组
X_3d = np.zeros((n_samples, n_time_steps, n_features))
for i in range(n_samples):
    for j in range(n_time_steps):
        X_3d[i, j, :] = X_scaled[i, j*n_features:(j+1)*n_features]

这里先将三维数组 X 转换为二维数组 X_2d，然后对 X_2d 进行标准化，再将标准化后的二维数组转换回三维数组 X_scaled。最后，使用两层循环将 X_scaled 转换回原始的三维数组 X_3d。

需要注意的是，在还原过程中，一定要使用和标准化时一样的 `scaler` 进行逆变换。另外，本方法在数据规模较大时可能会比较耗时，可以考虑使用 numpy 的一些高效函数进行优化。