如何规范化一个NumPy数组到一定的范围内?

在对音频或图像数组进行一些处理后，需要在一个范围内对其进行规范化，然后才能将其写回文件。可以这样做:

# 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)

有没有更简单，更方便的函数来做这个?matplotlib.colors.Normalize()似乎并不相关。

434617 次浏览
小开

你可以使用“i”(如idiv, imul..)版本，看起来还不错:

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

对于另一种情况，你可以写一个函数来规范一个n维数组的列:

def normalize_columns(arr):
rows, cols = arr.shape
for col in xrange(cols):
arr[:,col] /= abs(arr[:,col]).max()
小开
最佳答案 
# Normalize audio channels to between -1.0 and +1.0
audio /= np.max(np.abs(audio),axis=0)
# Normalize image to between 0 and 255
image *= (255.0/image.max())

使用/=和*=可以消除中间临时数组，从而节省一些内存。乘法比除法便宜，所以

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

略快于

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

由于我们在这里使用的是基本的numpy方法，所以我认为这是numpy中最有效的解决方案。

就地操作不会改变容器数组的dtype。由于所需的规范化值是浮点数，因此audio和image数组在执行原地操作之前需要具有浮点点dtype。 如果它们还不是浮点dtype，则需要使用astype对它们进行转换。例如,< / p > 

image = image.astype('float64')
小开

你也可以使用sklearn来重新缩放。其优点是，除了对数据进行均值居中之外，还可以调整标准偏差的归一化，并且可以在任意一个轴上、通过特征或通过记录进行此操作。

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

关键字参数axis， with_mean， with_std是不言自明的，并以默认状态显示。如果参数copy被设置为False，则参数copy就地执行操作。文档在这里。

小开

如果数组同时包含正数据和负数据，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，一种解决方案是将它们删除为:

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


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

然而，根据上下文，你可能想要区别对待nan。例如，插入值，替换为0，或引发错误。

最后，值得一提的是，即使这不是OP的问题，标准化:

e = (a - np.mean(a)) / np.std(a)
小开

一个简单的解决方案是使用sklearn提供的标量。预处理的图书馆。

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()

小开

我尝试跟随这，并得到错误

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

我试图规范化的numpy数组是一个integer数组。似乎他们在> 1.10版本中弃用了类型转换，你必须使用numpy.true_divide()来解决这个问题。

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

img是一个PIL.Image对象。

小开

您正在尝试将audio的值在-1到+1之间进行最小-最大缩放，并将image的值在0到255之间进行缩放。

使用sklearn.preprocessing.minmax_scale，应该很容易解决你的问题。

例如:

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

而且

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

请注意:不要与将一个向量的规范(长度)缩放到某个值(通常是1)的操作相混淆，这也通常被称为归一化。

小开

这个答案到类似的问题为我解决了这个问题

np.interp(a, (a.min(), a.max()), (-1, +1))

提交答案