MinMaxScaler归一化反归一化

### 使用 `MinMaxScaler` 进行数据归一化和反归一化

#### 数据归一化过程

为了执行数据的归一化，可以利用 `sklearn.preprocessing.MinMaxScaler` 类。此工具能够将特征按列线性变换到指定范围内，默认情况下是 `[0, 1]`。

下面是一个具体的例子来展示如何应用 `MinMaxScaler` 对数据集进行归一化：

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

def minmax_normalization():
    ''' 归一化并保存转换器用于后续反向转换 '''
    
    # 加载数据
    data = pd.read_csv('./database/dating.txt', sep='\t')
    print("原始数据:\n", data)

    # 创建 MinMaxScaler 的实例对象
    scaler = MinMaxScaler(feature_range=(0, 1))
    
    # 应用 fit_transform 方法对选定的数据列做归一化处理
    scaled_data = scaler.fit_transform(data[['milage','Liters','Consumtime']])
    print('Min-Max归一化后的结果：\n', scaled_data)
    
    return scaler, scaled_data

scaler, normalized_data = minmax_normalization()

#### 数据反归一化过程

当需要恢复经过归一化的数值回原来的尺度时，则可以通过调用已经训练好的 `MinMaxScaler` 实例上的 `.inverse_transform()` 函数实现这一目标。这允许用户获取原本未被缩放过的实际值。

下面是关于怎样完成这个逆操作的例子：

def reverse_minmax(scaler, transformed_data):
    ''' 将已归一化的数据还原成原样 '''

    # 利用之前存储下来的 scaler 来反转归一化
    original_data = scaler.inverse_transform(transformed_data)
    print('反归一化后的结果：\n', original_data)
    
reverse_minmax(scaler, normalized_data)

通过上述两部分代码，可以看到完整的流程是从加载数据开始，接着创建一个 `MinMaxScaler` 并对其进行拟合以及转换；最后再基于同一个 `MinMaxScaler` 完成了从归一化状态返回至初始状态的操作[^1]。