Python3.12.7中使用inverse_transform报错RuntimeError: Numpy is not available

可能的错误原因 #

• 张量转numpy时的维度/数据类型不匹配：features[i]转为numpy后，若与scaler拟合的原始数据特征数不一致，会触发报错。
• 标准化流程漏洞：scaler基于原始特征拟合后，若后续特征结构被意外修改，会导致逆变换失败。
• 数据类型冲突：原始特征与标准化后张量的类型不兼容，导致scaler无法正确逆变换。

可行解决步骤 #

1. 验证特征维度一致性 #

在标准化操作后，添加代码确认特征数匹配：

# 标准化后添加
print("原始特征数:", scaler.n_features_in_)
# 循环内添加
print("当前样本特征数:", features[i].numpy().shape)

若两者数值不同，需排查generate_sample_data的数据生成逻辑，确认特征数未被意外修改。

2. 优化张量转numpy操作 #

提前将整个特征张量转为numpy数组，避免循环内重复转换操作：

# 循环前执行
features_np = features.numpy()

for i in range(12):
    # 用切片保持二维结构，替代reshape
    original_scores = scaler.inverse_transform(features_np[i:i+1]).flatten()
    # 打印原始分数（你计算了original_scores但未使用，这里修正逻辑）
    if y_pred[i] == 1:
        print('Học sinh đạt danh hiệu với điểm:', original_scores)
    else:
        print('Học sinh không đạt danh hiệu với điểm:', original_scores)

3. 确保scaler基于原始numpy数据拟合 #

如果generate_sample_data返回的是张量，需先转为numpy再给scaler处理：

features, labels = generate_sample_data(12)
# 若features是张量，先转numpy
if isinstance(features, torch.Tensor):
    features = features.numpy()

# 再执行标准化
scaler = preprocessing.StandardScaler()
features_scaled = scaler.fit_transform(features)
features = torch.tensor(features_scaled, dtype=torch.float32)

4. 补充完整错误信息 #

若以上方法无效，需提供完整错误提示（包括错误类型与描述），比如ValueError: Expected 2D array这类信息，能更精准定位问题。

内容的提问来源于stack exchange，提问作者HongViet