python：就多维列表和数组之间新增（append），MinMaxScaler转化（transform）和逆转化（inverse_transform）的小tips

近期在写自己科创的代码时，突然有一个小问题困住了我，花了好长时间才解决了这个问题，花点时间在这里记录下来，以防后面时间长了忘记。

我在训练一个模型切分训练集的时候，取数据窗口长度为60，所需要的每单个数据元为5*1的数组，x_train为59个数据元的集合，y_train为窗口最后一个数据元，想要保持的数据格式为：x_train的dim,也就是维数为5，数据长度为59。为了保持每个数据元的割裂，我用train_data1=train_data.tolist()这个命令将我的数据集变成了列表。

In[1]:train_data1[:10]
Out[2]: 
[[0.8553037388216707,
  0.675346604903694,
  0.8447580774898489,
  0.6991041643000897],
 [0.5886998139314192,
  0.6684080123006382,
  0.6753978417127304,
  0.612303647730045],
 [0.6628480452995626,
  0.7285871314151744,
  0.703418092547667,
  0.6935364218111242],
 [0.6773272787519096,
  0.5363182189403202,
  0.6605314637614943,
  0.5520136982167441],
 [0.5871108784436903,
  0.586171848489129,
  0.6008423369218985,
  0.5037563860771432],
 [0.5378805435790657,
  0.44840015392034127,
  0.5451509321046841,
  0.47089541942774105],
 [0.45498767712297594,
  0.4533985059335639,
  0.4497919897555356,
  0.43962675516171323],
 [0.4667109780462604,
  0.39392160778564156,
  0.4589224007567516,
  0.4157683897635649],
 [0.33569203199046393,
  0.4410491587149279,
  0.421340596263859,
  0.348921949131868],
 [0.42509827911071385,
  0.3544454240359274,
  0.41282633316387907,
  0.362264739776327]]

但是当我用append命令时却出现报错 AttributeError: 'numpy.ndarray' object has no attribute 'append'

在查询了append的官方文档后，我发现：

a.append(b)：是将b原封不动的追加到a的末尾上，会改变a的值，其中，b可为列表、元组、字符串、一串数/字符/字符串

如果我用多个数据元合并在一起使用append函数自然会出现数据集不是想要的结构或者报错的情况。我想到，那如果我用一个temp空变量数组先存储59个数据元，再把列表转换成数组的方式使用append函数加入到x_train数组中，这样的方法是否可行。实验如下：

for j in range(needlen,training_data_len):
    for z in range(j-needlen,j-1):
        temp_train.append(train_data1[z])
    temp1_train=np.array(temp_train)
    x_train.append(temp1_train)
    temp_train=[]
    y_train.append(train_data[j,1])
x_train,y_train=np.array(x_train),np.array(y_train)

得到的数据结构为：
符合所训练模型的input_shape()。

对于机器学习中，训练集的数据需要归一化处理，而且不能失去其中特征，所以采用MinMaxScaler函数。导入：

from sklearn.preprocessing import MinMaxScaler

需要注意的是，对于不同的数据列做归一化处理后，如果要逆转化的话，所逆转化的数据列数一定要是和之前转化的列数相同。实操如下：

scaler=MinMaxScaler(feature_range=(0,1))
scaled_data=scaler.fit_transform(dataset)
scaler1=MinMaxScaler(feature_range=(0,1))
scaled_data1=scaler1.fit_transform(dataset1)

pred=model.predict(x_test)
predtion=scaler1.inverse_transform(pred)
#如果用scaler.inverse_transform来则会显示如下报错：
#non-broadcastable output operand with shape (407,1) doesn't match the broadcast shape (407,4)

可以把scaler和scaler1理解成一个函数，不同的参数调整使其归一化的原理使得他不可以相互混用。

另对于model=Sequential()加点小说明：在使用model.add加入两层以上网络层后，第一层要加上return_sequences=True命令，这样可以保证数据在层数之间的正确传递。