import numpy as np

# 生成模擬數(shù)據(jù)：均值50，標(biāo)準(zhǔn)差10的正態(tài)分布
data = np.random.normal(50, 10, size=10000000).astype(np.float32)

# 常規(guī)方法：標(biāo)準(zhǔn)化
def standardize(data):
    """
    對(duì)輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，返回標(biāo)準(zhǔn)化后的新數(shù)組
    
    參數(shù):
        data: numpy數(shù)組，待標(biāo)準(zhǔn)化的數(shù)據(jù)
        
    返回:
        result: numpy數(shù)組，標(biāo)準(zhǔn)化后的數(shù)據(jù)，滿足均值為0、標(biāo)準(zhǔn)差為1
    """
    mean = data.mean()
    std = data.std()
    # 第一步：計(jì)算中心化數(shù)據(jù)，產(chǎn)生臨時(shí)數(shù)組temp = data - mean
    temp = data - mean
    # 第二步：計(jì)算標(biāo)準(zhǔn)化結(jié)果，產(chǎn)生結(jié)果數(shù)組result = temp / std
    result = temp / std
    return result

# 執(zhí)行操作
processed = standardize(data)

import numpy as np

# 生成模擬數(shù)據(jù)
data = np.random.normal(50, 10, size=10000000).astype(np.float32)

# 原地執(zhí)行標(biāo)準(zhǔn)化
def standardize_inplace(data):
    """
    對(duì)輸入數(shù)據(jù)進(jìn)行原地標(biāo)準(zhǔn)化處理（直接修改原始數(shù)據(jù)）
    
    參數(shù):
        data: numpy數(shù)組，待標(biāo)準(zhǔn)化的數(shù)據(jù)，處理后數(shù)據(jù)會(huì)被修改
        
    說明:
        1. 標(biāo)準(zhǔn)化公式為(data - mean) / std，處理后數(shù)據(jù)均值為0、標(biāo)準(zhǔn)差為1
        2. 此函數(shù)會(huì)直接修改輸入數(shù)據(jù)，破壞原始數(shù)據(jù)的完整性
    """
    mean = data.mean()
    std = data.std()
    data -= mean  # 原地中心化，無臨時(shí)數(shù)組
    data /= std   # 原地縮放，無臨時(shí)數(shù)組

# 調(diào)用原地修改函數(shù)
standardize_inplace(data)

# 計(jì)算原始數(shù)據(jù)均值（已被標(biāo)準(zhǔn)化，結(jié)果錯(cuò)誤）
print(f"原始數(shù)據(jù)均值：{data.mean():.2f}")  # 輸出0.00（正確應(yīng)為50.00）

import numpy as np

def standardize_inplace(data):
    """
    對(duì)輸入數(shù)據(jù)進(jìn)行原地標(biāo)準(zhǔn)化處理（直接修改原始數(shù)據(jù)）
    
    參數(shù):
        data: numpy數(shù)組，待標(biāo)準(zhǔn)化的數(shù)據(jù)，處理后數(shù)據(jù)會(huì)被修改
        
    說明:
        1. 標(biāo)準(zhǔn)化公式為(data - mean) / std，處理后數(shù)據(jù)均值為0、標(biāo)準(zhǔn)差為1
        2. 此函數(shù)會(huì)直接修改輸入數(shù)據(jù)，破壞原始數(shù)據(jù)的完整性
    """
    mean = data.mean()
    std = data.std()
    data -= mean
    data /= std

def analyze_processed(data):
    """
    分析標(biāo)準(zhǔn)化后的數(shù)據(jù)特征（均值和標(biāo)準(zhǔn)差）
    
    參數(shù):
        data: numpy數(shù)組，標(biāo)準(zhǔn)化后的數(shù)據(jù)集
    """
    # 分析標(biāo)準(zhǔn)化后數(shù)據(jù)（期望均值0，標(biāo)準(zhǔn)差1）
    print(f"標(biāo)準(zhǔn)化后均值：{data.mean():.2f}（期望0）")
    print(f"標(biāo)準(zhǔn)化后標(biāo)準(zhǔn)差：{data.std():.2f}（期望1）")

def analyze_original(data):
    """
    分析原始數(shù)據(jù)的分布特征（中位數(shù)和95%分位數(shù)）
    
    參數(shù):
        data: numpy數(shù)組，原始數(shù)據(jù)集（未經(jīng)過標(biāo)準(zhǔn)化處理的原始數(shù)據(jù)）
    """
    # 分析原始數(shù)據(jù)分布（需原始值）
    print(f"原始數(shù)據(jù)中位數(shù)：{np.median(data):.2f}")
    print(f"原始數(shù)據(jù)95%分位數(shù)：{np.percentile(data, 95):.2f}")

# 生成原始數(shù)據(jù)（均值50，標(biāo)準(zhǔn)差10）
data = np.random.normal(50, 10, size=10000000).astype(np.float32)

# 原地處理
standardize_inplace(data)

# 分析標(biāo)準(zhǔn)化后數(shù)據(jù)（正常）
analyze_processed(data)

# 分析原始數(shù)據(jù)（數(shù)據(jù)已被修改，結(jié)果錯(cuò)誤）
analyze_original(data)  # 輸出的是標(biāo)準(zhǔn)化后的中位數(shù)和分位數(shù)，而非原始值

import numpy as np

def standardize_inplace(data):
    """
    對(duì)輸入數(shù)據(jù)進(jìn)行原地標(biāo)準(zhǔn)化處理（直接修改原始數(shù)據(jù)）
    
    參數(shù):
        data: numpy數(shù)組，待標(biāo)準(zhǔn)化的數(shù)據(jù)，處理后數(shù)據(jù)會(huì)被修改
        
    說明:
        1. 標(biāo)準(zhǔn)化公式為(data - mean) / std，處理后數(shù)據(jù)均值為0、標(biāo)準(zhǔn)差為1
        2. 此函數(shù)會(huì)直接修改輸入數(shù)據(jù)，破壞原始數(shù)據(jù)的完整性
    """
    mean = data.mean()
    std = data.std()
    data -= mean
    data /= std

# 生成原始數(shù)據(jù)
data = np.random.normal(50, 10, size=10000000).astype(np.float32)

# 調(diào)用前復(fù)制
data_copy = data.copy() 

# 處理副本
standardize_inplace(data_copy)

# 分析標(biāo)準(zhǔn)化后數(shù)據(jù)（使用副本）
analyze_processed(data_copy)

# 分析原始數(shù)據(jù)（使用原始數(shù)據(jù)，正確）
analyze_original(data)

# 新開發(fā)者忘記復(fù)制
standardize_inplace(data)

# 后續(xù)需原始數(shù)據(jù)時(shí)無法恢復(fù)
print(f"原始數(shù)據(jù)均值：{data.mean():.2f}")  # 錯(cuò)誤輸出0.00

import numpy as np

def standardize(data):
    """
    對(duì)輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理（內(nèi)部優(yōu)化內(nèi)存，不修改原始數(shù)據(jù)）
    
    參數(shù):
        data: numpy數(shù)組，待標(biāo)準(zhǔn)化的原始數(shù)據(jù)
        
    返回:
        data_copy: numpy數(shù)組，標(biāo)準(zhǔn)化后的結(jié)果（均值0、標(biāo)準(zhǔn)差1）
        
    說明:
        1. 內(nèi)部通過復(fù)制數(shù)據(jù)+原地修改的方式優(yōu)化內(nèi)存，總內(nèi)存占用為原始數(shù)據(jù)的2倍
        2. 原始數(shù)據(jù)不會(huì)被修改，保證了數(shù)據(jù)完整性，調(diào)用者可放心使用原始數(shù)據(jù)進(jìn)行其他操作
    """
    # 內(nèi)部復(fù)制原始數(shù)據(jù)
    data_copy = data.copy()  
    mean = data_copy.mean()
    std = data_copy.std()
    # 對(duì)副本原地修改
    data_copy -= mean
    data_copy /= std
    return data_copy  

# 生成數(shù)據(jù)
data = np.random.normal(50, 10, size=10000000).astype(np.float32)

# 調(diào)用函數(shù)（無需復(fù)制）
processed = standardize(data)

# 原始數(shù)據(jù)完好，數(shù)據(jù)完整性得到保證
print(f"原始數(shù)據(jù)均值：{data.mean():.2f}（正確50.00）")

# 標(biāo)準(zhǔn)化后數(shù)據(jù)符合預(yù)期
analyze_processed(processed)

# 原始數(shù)據(jù)可正常用于其他分析
analyze_original(data)