如何将NumPy数组标准化到一定范围内？

在对音频或图像阵列进行一些处理之后，需要先在一定范围内对其进行标准化，然后才能将其写回到文件中。可以这样完成：

# Normalize audio channels to between -1.0 and +1.0
audio[:,0] = audio[:,0]/abs(audio[:,0]).max()
audio[:,1] = audio[:,1]/abs(audio[:,1]).max()

# Normalize image to between 0 and 255
image = image/(image.max()/255.0)

有没有那么繁琐，方便的函数方式来做到这一点？matplotlib.colors.Normalize()似乎无关。

audio /= np.max(np.abs(audio),axis=0)
image *= (255.0/image.max())

使用/=和*=可以消除中间的临时阵列，从而节省了一些内存。乘法比除法便宜，所以

image *= 255.0/image.max()    # Uses 1 division and image.size multiplications

比...快一点

image /= image.max()/255.0    # Uses 1+image.size divisions

由于我们在这里使用基本的numpy方法，因此我认为这是尽可能有效的numpy解决方案。

就地操作不会更改容器数组的dtype。由于所需的标准化值是浮点型，因此在执行就地操作之前，audioand image数组需要具有浮点dtype。如果它们还不是浮点dtype，则需要使用进行转换astype。例如，

image = image.astype('float64')

如果数组同时包含正数和负数，我将使用：

import numpy as np

a = np.random.rand(3,2)

# Normalised [0,1]
b = (a - np.min(a))/np.ptp(a)

# Normalised [0,255] as integer: don't forget the parenthesis before astype(int)
c = (255*(a - np.min(a))/np.ptp(a)).astype(int)        

# Normalised [-1,1]
d = 2.*(a - np.min(a))/np.ptp(a)-1

如果数组包含nan，则一种解决方案是将其删除为：

def nan_ptp(a):
    return np.ptp(a[np.isfinite(a)])

b = (a - np.nanmin(a))/nan_ptp(a)

但是，根据上下文，您可能需要nan不同的对待。例如，插值，用例如0代替，或引发错误。

最后，值得一提的是，即使不是OP的问题，也要标准化：

e = (a - np.mean(a)) / np.std(a)

您也可以使用重新缩放sklearn。优势在于，除了对数据进行均值居中之外，还可以调整标准差的归一化，并且可以在任一轴上，通过要素或按记录进行校准。

from sklearn.preprocessing import scale
X = scale( X, axis=0, with_mean=True, with_std=True, copy=True )

关键词参数axis，with_mean，with_std是自我解释，并且在默认状态显示。如果该参数copy设置为，则执行就地操作False。这里的文件。

您可以使用“ i”版本（如idiv中的imul ..），它看起来还不错：

image /= (image.max()/255.0)

在另一种情况下，您可以编写一个函数来通过colums标准化n维数组：

def normalize_columns(arr):
    rows, cols = arr.shape
    for col in xrange(cols):
        arr[:,col] /= abs(arr[:,col]).max()

您正在尝试最小-最大比例缩放audio介于-1和+1 image之间以及0和255之间的值。

使用sklearn.preprocessing.minmax_scale，应该可以轻松解决您的问题。

例如：

audio_scaled = minmax_scale(audio, feature_range=(-1,1))

和

shape = image.shape
image_scaled = minmax_scale(image.ravel(), feature_range=(0,255)).reshape(shape)

注意：不要与将向量的范数（长度）缩放到某个值（通常为1）的操作相混淆，该操作通常也称为归一化。

一个简单的解决方案是使用sklearn.preprocessing库提供的缩放器。

scaler = sk.MinMaxScaler(feature_range=(0, 250))
scaler = scaler.fit(X)
X_scaled = scaler.transform(X)
# Checking reconstruction
X_rec = scaler.inverse_transform(X_scaled)

错误X_rec-X将为零。您可以根据需要调整feature_range，甚至可以使用标准缩放器sk.StandardScaler（）

我尝试按照此操作，但出现了错误

TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''

在numpy我试图正常化阵列是一个integer数组。似乎他们不赞成在版本>中进行类型转换1.10，而您必须使用它numpy.true_divide()来解决该问题。

arr = np.array(img)
arr = np.true_divide(arr,[255.0],out=None)

img是一个PIL.Image对象。