对一行数据 归一化 反归一化 举例说明 dataframe只有一行数据

对单行数据进行归一化和反归一化是为了将数值缩放到特定范围，通常在0到1之间。这有助于处理数据的可比较性和模型训练。

**归一化**（Normalization）是将数据转换到一个标准范围内，比如0到1区间。例如，假设我们有一个数据框df，其中包含列A和B，它们的值分别为[50, 100]和[15, 30]：

import pandas as pd
import numpy as np

df = pd.DataFrame({'Column_A': [50, 100], 'Column_B': [15, 30]})

归一化后，每个列的最小值变为0，最大值变为1：

column_A_min = df['Column_A'].min()
column_A_max = df['Column_A'].max()

normalized_df = (df[['Column_A', 'Column_B']] - column_A_min) / (column_A_max - column_A_min)

这时，原始列A的数据就是[0, 1]，列B也是同样道理。

**反归一化**（Denormalization），则是将归一化后的数据恢复回原范围。如果已知原始的最大值和最小值，可以这样做：

denormalized_df = normalized_df * (column_A_max - column_A_min) + column_A_min

现在，denormalized_df就回到了原始数据范围。