时间序列预测数据，包含数据归一化和反归一化的python案例

以下是一个包含数据归一化和反归一化的时间序列预测python案例：

import numpy as np
from sklearn.preprocessing import MinMaxScaler

# 定义原始数据
data = np.array([10, 20, 30, 40, 50, 60, 70, 80, 90, 100])

# 定义归一化器
scaler = MinMaxScaler(feature_range=(0, 1))

# 数据归一化
data_norm = scaler.fit_transform(data.reshape(-1, 1))
print("归一化后的数据：\n", data_norm)

# 定义反归一化函数
def inverse_normalize(scaler, data_norm):
    data = scaler.inverse_transform(data_norm)
    return data.flatten()

# 数据反归一化
data_inverse = inverse_normalize(scaler, data_norm)
print("反归一化后的数据：\n", data_inverse)

输出结果为：

归一化后的数据：
 [[0.        ]
 [0.11111111]
 [0.22222222]
 [0.33333333]
 [0.44444444]
 [0.55555556]
 [0.66666667]
 [0.77777778]
 [0.88888889]
 [1.        ]]
反归一化后的数据：
 [ 10.  20.  30.  40.  50.  60.  70.  80.  90. 100.]

可以看到，原始数据经过归一化后变成了0到1之间的数值，而反归一化后得到了原始的数据。