python 实现对dataframe的每一行进行归一化 反归一化

在Python中，我们可以使用Pandas库的数据框DataFrame来处理数据，包括数据的归一化和反归一化。这两个过程通常用于标准化数值特征，使得它们在同一尺度上，方便后续分析。

归一化（Normalization），也称为范围缩放，常用的方法有最小-最大缩放（Min-Max Scaling）和Z-score标准化（StandardScaler）。以下是使用这两种方法的简单示例：

import pandas as pd
from sklearn.preprocessing import MinMaxScaler, StandardScaler

# 假设df是一个包含数值列的DataFrame
df = pd.DataFrame({
    'col1': [0, 50, 100, 150],
    'col2': [20, 40, 60, 80]
})

# 最小-最大缩放
scaler_minmax = MinMaxScaler()
normalized_df_minmax = scaler_minmax.fit_transform(df)
normalized_df_minmax = pd.DataFrame(normalized_df_minmax, columns=df.columns)

# Z-score标准化
scaler_zscore = StandardScaler()
normalized_df_zscore = scaler_zscore.fit_transform(df)
normalized_df_zscore = pd.DataFrame(normalized_df_zscore, columns=df.columns)

# 对原始DataFrame进行反归一化（仅适用于MinMaxScaler）
def denormalize(data, scaler):
    return scaler.inverse_transform(data)

denormalized_df_minmax = denormalize(normalized_df_minmax, scaler_minmax)