我有一套用于scikit学习PCA的数据。在使用StandardScaler（）执行PCA之前，我先缩放了数据。
variance_to_retain = 0.99
np_scaled = StandardScaler().fit_transform(df_data)
pca = PCA(n_components=variance_to_retain)
np_pca = pca.fit_transform(np_scaled)
# make dataframe of scaled data
# put column names on scaled data for use later
df_scaled = pd.DataFrame(np_scaled, columns=df_data.columns)
num_components = len(pca.explained_variance_ratio_)
cum_variance_explained = np.cumsum(pca.explained_variance_ratio_)
eigenvalues = pca.explained_variance_
eigenvectors = pca.components_
然后，我对缩放后的数据集进行了K-Means聚类。我可以在缩放的空间中绘制聚类中心。
我的问题是：如何将中心的位置转换回原始数据空间。我知道StandardScaler.fit_transform（）使数据具有零均值和单位方差。但是有了新的形状点（num_clusters，num_features），我可以使用inverse_transform（centers）将中心转换回原始数据的范围和偏移量吗？
谢谢大卫