利用字典对归一化后的数据0误差还原

• 假设我对精度要求很高，高到无法容忍有任何误差，那么我先将x按照大小排序，然后归一化，用字典将归一化前后的x存储下来，在深度学习时使用归一化后的x进行处理，但是最后画图等处理时，我用字典取出归一化之前对应的值。

思路：x = [3, 4, 5, 1, 2, 3]，先排序，然后用scaler = StandardScaler()
x_scaled = scaler.fit_transform(x.reshape(-1, 1))
这种方法归一化得到结果, 然后采用1个字典，能存储归一化之后的值：归一化之前的值，这种字典，以及归一化之前的值：归一化之后的值这种字典。

首先，将 x 数组排序并使用 StandardScaler 进行归一化。接着，创建两个字典：

1. 归一化后的值：归一化之前的值（scaled_to_original）
2. 归一化之前的值：归一化之后的值（original_to_scaled）

下面是实现的示例代码：

import numpy as np
from sklearn.preprocessing import StandardScaler# 原始数据
x = np.array([3, 4, 5, 1, 2, 3])# 排序数据
x_sorted = np.sort(x)# 使用 StandardScaler 进行归一化
scaler = StandardScaler()
x_scaled = scaler.fit_transform(x_sorted.reshape(-1, 1)).flatten()# 创建字典存储归一化值到原始值的映射
scaled_to_original = {scaled: original for scaled, original in zip(x_scaled, x_sorted)}# 创建字典存储原始值到归一化值的映射
original_to_scaled = {original: scaled for original, scaled in zip(x_sorted, x_scaled)}# 打印结果
print("归一化后的值：归一化之前的值 字典:", scaled_to_original)
print("归一化之前的值：归一化后的值 字典:", original_to_scaled)# 示例：使用归一化值查找原始值
example_scaled_value = x_scaled[0]
example_original_value = scaled_to_original[example_scaled_value]
print(f"归一化值 {example_scaled_value} 对应的原始值: {example_original_value}")# 示例：使用原始值查找归一化值
example_original_value = 3
example_scaled_value = original_to_scaled[example_original_value]
print(f"原始值 {example_original_value} 对应的归一化值: {example_scaled_value}")

代码说明

1. 数据排序：x_sorted = np.sort(x) 会将 x 中的元素排序。
2. 归一化：scaler.fit_transform() 方法对排序后的数据进行标准化，返回标准化后的结果。
3. 字典生成：
   • scaled_to_original 字典将归一化后的值作为键，原始值作为值。
   • original_to_scaled 字典将原始值作为键，归一化后的值作为值。

运行结果

当运行上述代码时，输出结果会显示两个字典的内容，并且可以通过这两个字典进行值的查找。

示例输出

输出结果：

归一化后的值：归一化之前的值 字典: {-1.5491933384829668: 1, -0.7745966692414834: 2, 0.0: 3, 0.7745966692414834: 4, 1.5491933384829668: 5}
归一化之前的值：归一化后的值 字典: {1: -1.5491933384829668, 2: -0.7745966692414834, 3: 0.0, 4: 0.7745966692414834, 5: 1.5491933384829668}
归一化值 -1.5491933384829668 对应的原始值: 1
原始值 3 对应的归一化值: 0.0

由于 3 在 x 中出现了两次，因此在字典中将其映射到的归一化值是相同的。

---

• 一个宽松的版本

1. 使用插值方法：可以使用线性插值来获取最接近的原始值，而不是严格寻找对应的值。
2. 确保预测值在范围内：确保生成的 predicted_normalized 值确实在归一化范围内。

以下是采用线性插值的实现方式：

示例代码

import numpy as np
from sklearn.preprocessing import MinMaxScaler
from scipy.interpolate import interp1d# 生成数据
x = np.random.rand(100) * 100  # 生成100个随机数，范围在0到100之间# 创建 MinMaxScaler 对象
scaler = MinMaxScaler()# 对数据进行排序
x_sorted = np.sort(x)# 归一化数据
x_normalized = scaler.fit_transform(x_sorted.reshape(-1, 1)).flatten()# 创建字典存储原始值与归一化值的对应关系
value_map = {original: normalized for original, normalized in zip(x_sorted, x_normalized)}# 深度学习模型处理（示例代码省略）# 假设预测的归一化值为 predicted_normalized
predicted_normalized = np.random.rand(10)  # 示例：10个随机生成的归一化值# 使用插值来反归一化
# 创建插值函数
interp_function = interp1d(x_normalized, x_sorted, bounds_error=False, fill_value="extrapolate")# 获取对应的原始值
predicted_original = interp_function(predicted_normalized)print("归一化后的预测值:", predicted_normalized)
print("对应的原始值:", predicted_original)

输出

归一化后的预测值: [0.01215447 0.96987883 0.04315991 0.89114311 0.52770111 0.99296480.07379656 0.55385428 0.96930254 0.52309784]
对应的原始值: [ 2.27449952 96.09964077  5.31200141 88.38615894 52.78092728 98.361298158.31337469 55.34306884 96.04318341 52.32996038]

说明

• 插值函数：interp1d 从 scipy.interpolate 中导入，可以根据归一化值计算相应的原始值。通过设置 bounds_error=False 和 fill_value="extrapolate"，可以处理在 value_map.values() 中找不到的值（即插值和外推）。通过使用插值技术，可以避免在查找字典中直接索引可能不存在的归一化值，从而确保代码的健壮性和有效性。
• 适用性：这种方法适用于在归一化数据中查找最接近的原始值，确保获得合理的输出，而不是直接找不到值时导致错误。