python多个数据集归一化和反归一化

在Python中处理多个数据集的归一化和反归一化通常是为了将数值缩放到一个特定的范围内，比如0到1之间，便于机器学习模型训练。这里有两个常见的方法：

1. **标准化** (Standardization) 或者称为Z-score标准化：它通过计算每个特征值减去其均值然后除以其标准差来调整。公式是 \( x_{normalized} = \frac{x - \mu}{\sigma} \)，其中 \( x \) 是原始值，\( \mu \) 是均值，\( \sigma \) 是标准差。

2. **最小-最大规范化** (Min-Max Scaling) 或者称为范围归一化：它把数据缩放至一个新的预设范围，通常是0到1之间。公式是 \( x_{normalized} = \frac{x - x_{min}}{x_{max} - x_{min}} \)，其中 \( x_{min} \) 和 \( x_{max} \) 分别是特征的最小值和最大值。

反归一化的过程就是从标准化或规范化后的结果恢复回原来的尺度。例如，如果你做了标准化，那么反归一化就是 \( x_{original} = z * \sigma + \mu \)。

对于多个数据集，可以使用pandas库的`MinMaxScaler`或`StandardScaler`，或者自定义循环对每个数据集中每一列进行处理。