使用MinMaxScaler逆转换预测成本时报错，求解决方案

看起来你遇到的问题核心有两个可能的原因：要么你的scaler对象在拟合原始数据后被重新初始化了，要么你的预测结果y的形状不符合inverse_transform的要求。咱们一步步来修正：

错误原因分析 #

你之前确实调用了scaler.fit_transform(food[["COST"]])，这时候scaler已经拟合了原始COST的分布，但报错提示"not fitted yet"，大概率是下面两种情况之一：

• 在执行scaler.inverse_transform(y)之前，你又重新创建了一个新的MinMaxScaler()实例覆盖了原来的scaler；
• 你的预测结果y是一维数组（比如模型predict输出的通常是一维），而inverse_transform要求输入是二维数组（和拟合时的输入形状一致，即(n,1)）。

修正后的完整代码 #

from sklearn.preprocessing import MinMaxScaler
import pandas as pd

# 1. 初始化scaler并拟合原始COST数据，这一步要确保只执行一次
scaler = MinMaxScaler()
food[["COST"]] = scaler.fit_transform(food[["COST"]])

# 2. 假设y是你的模型输出的缩放后预测值
#    如果y是一维数组，先转换成二维（必须和拟合时的输入形状匹配）
y_reshaped = y.reshape(-1, 1)

# 3. 转换回原始成本值
y_original = scaler.inverse_transform(y_reshaped)

# 4. 转为DataFrame并保存到Excel
df_original_cost = pd.DataFrame(y_original, columns=["COST"])
df_original_cost.to_excel("yg.xlsx", index=False)

关键注意事项 #

• 不要重新覆盖scaler：确保在拟合后，不要再执行scaler = MinMaxScaler()，否则之前的拟合信息会丢失，导致报错；
• 输入形状必须匹配：fit_transform用的是二维的food[["COST"]]（DataFrame，形状为(n,1)），所以inverse_transform的输入也必须是二维数组，一维的y一定要用reshape(-1,1)转换；
• 确认y的来源：保证y是基于缩放后的特征训练得到的预测结果，这样转换回原始值才有意义。

内容的提问来源于stack exchange，提问作者Kurapati teju