在ARIMA模型中，样本预测的缩放通常是通过反转先前应用的差分或对数变换来完成的。下面是一个示例，演示如何在Python中使用ARIMA模型进行样本预测的缩放。

首先，我们需要导入必要的库和数据。假设我们有一个时间序列数据集data：

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA

# 导入数据
data = pd.read_csv('data.csv')

接下来，我们可以选择合适的差分或对数变换来对数据进行缩放。例如，如果数据具有明显的季节性模式，我们可以使用季节性差分来消除季节性影响：

# 季节性差分
data_diff = data.diff(12).dropna()

或者，如果数据呈现指数增长趋势，我们可以对数据进行对数变换来线性化：

# 对数变换
data_log = np.log(data)

然后，我们可以根据缩放后的数据创建ARIMA模型，并进行样本预测。这里以季节性差分为例：

# 创建ARIMA模型
model = ARIMA(data_diff, order=(1, 0, 0), seasonal_order=(0, 1, 0, 12))

# 拟合模型
model_fit = model.fit()

# 进行样本预测
forecast = model_fit.predict(start=len(data_diff), end=len(data_diff) + n-1)

在上述代码中，order=(1, 0, 0)表示ARIMA模型的参数，seasonal_order=(0, 1, 0, 12)表示季节性差分的参数。n是你想要预测的样本数量。

最后，我们可以根据之前的缩放方法还原预测值，以得到原始数据的预测结果。如果使用了季节性差分，我们需要对预测值进行逆差分操作：

# 逆差分
forecast_reversed = data.shift(12).dropna() + forecast

如果使用了对数变换，我们需要对预测值进行指数变换：

# 指数变换
forecast_reversed = np.exp(forecast)

这样，我们就得到了缩放后的样本预测结果。

请注意，上述代码仅是一个示例，实际应用中可能需要根据数据的特点进行适当的调整和优化。