如何使用Keras仅归一化指定列且保留其余列数据不变

不需要逐列拆分做独立预处理，你可以通过两种方式在Keras层逻辑内实现「仅对指定列做归一化、其余列保留原值」的需求，逻辑可以完全整合进模型端到端流程，不需要额外写脱离模型的前置预处理代码。

方案1：修改Normalization层的统计参数（最简便） #

tf.keras.layers.Normalization的核心计算逻辑为：
output = (input - mean) / sqrt(variance)
对于不需要归一化的列，只要手动将其对应的均值设为0、方差设为1，这部分列经过层计算后会完全等于输入值，不会产生任何改动。

示例代码（假设3列数据中第0列保留原值，第1、2列执行归一化）：

import numpy as np
import tensorflow as tf

adapt_data = np.array([[0., 7., 4.],
                       [2., 9., 6.],
                       [0., 7., 4.],
                       [2., 9., 6.]], dtype='float32')
input_data = np.array([[0., 7., 4.]], dtype='float32')

# 定义需要保留原值的列索引、需要归一化的列索引
keep_raw_cols = [0]

# 初始化归一化层并适配数据
layer = tf.keras.layers.Normalization(axis=-1)
layer.adapt(adapt_data)

# 修改不需要归一化的列对应的统计参数
mean = layer.mean.numpy()
var = layer.variance.numpy()
for col in keep_raw_cols:
    mean[0, col] = 0.0
    var[0, col] = 1.0
layer.mean.assign(mean)
layer.variance.assign(var)

output = layer(input_data)

运行后可以看到，输出中第0列的值和输入完全一致，第1、2列为归一化后的结果，符合预期。

方案2：拆分张量分别处理后拼接（扩展性更强） #

如果你的不同列后续还要做其他差异化预处理（比如部分列离散化、部分列独热编码），可以先把输入张量按列拆分，需要归一化的部分传入Normalization层，不需要改动的部分直接透传，最后用Concatenate层按原列顺序拼回即可。

示例代码：

# 定义列索引
keep_raw_cols = [0]
norm_cols = [1,2]

# 仅用需要归一化的列适配归一化层
norm_layer = tf.keras.layers.Normalization(axis=-1)
norm_layer.adapt(adapt_data[:, norm_cols])

# 构建端到端预处理逻辑
inputs = tf.keras.Input(shape=(3,))
raw_part = tf.gather(inputs, indices=keep_raw_cols, axis=-1)
norm_part = tf.gather(inputs, indices=norm_cols, axis=-1)
normed_part = norm_layer(norm_part)
# 注意拼接顺序要和原数据列顺序一致
outputs = tf.keras.layers.Concatenate(axis=-1)([raw_part, normed_part])
preprocess_model = tf.keras.Model(inputs=inputs, outputs=outputs)

output = preprocess_model(input_data)

方案选择建议 #

• 仅需要跳过少量列的归一化、其余处理逻辑统一时，选方案1，代码最简洁，运行开销最小
• 不同列需要做完全不同的预处理操作时，选方案2，后续扩展调整更灵活

内容的提问来源于stack exchange，提问作者g.pickardou