StandardScaler 从每个变量中减去平均值，然后将其除以标准差。这是一个常见的预处理步骤，当然对于 k-means 而言，因为该算法严重依赖于数据的缩放。

如果我理解正确，您希望可视化原始数据并通过这样做来使用 k-means 中的标签。您可以将标签添加到原始数据（假设记录的顺序没有改变）：

original_with_label = numpy.concatenate(original, labels, axis = 1)

或者您可以将数据转换回其原始比例：

transformed_back_to_original = scalar_fit.inverse_transform(transformed_data)

我认为这是一个非常好的教程供您考虑。

最后，作者向您展示了如何将索引映射回集群 ID。

details = [(name,cluster) for name, cluster in zip(returns.index,idx)]

for detail in details:
    print(detail)

选项1：

保留和访问原始数据（例如按索引） - 重新计算方法。

选项 2：

应用逆变换。StandardScaler 是一种线性变换，因此它是可逆的，但会损失一些精度。