如何将 NumPy 数组标准化到一定范围内？

Question

对音频或图像数组进行一些处理后，需要在一定范围内对其进行标准化，然后才能写回文件。这可以像这样完成：

# 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)

是否有一种不太冗长、方便的函数方法来做到这一点？ matplotlib.colors.Normalize() 似乎不相关。

Answer 1

# 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，因此

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

比除法稍微快一些，

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

因为我们在这里使用基本的 numpy 方法，我认为这在 numpy 中是尽可能有效的解决方案。

---

就地操作不会更改容器数组的数据类型。由于所需的标准化值是浮点数，因此在执行就地操作之前，audio 和 image 数组需要具有浮点点数据类型。
如果它们还不是浮点数据类型，则需要使用 astype 对其进行转换。例如，

image = image.astype('float64')

Answer 2

如果数组同时包含正数和负数数据，我会选择：

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，一种解决方案可能是将它们删除为：

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

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

但是，根据您可能想要处理的上下文nan 有所不同。例如，插入值，将其替换为 0，或者引发错误。

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)

Answer 3

您还可以使用 sklearn.preprocessing.scale< 重新缩放/代码>。优点是，除了以数据均值为中心之外，您还可以调整标准化标准差，并且可以在任一轴上、按要素或按记录执行此操作。

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，并以其默认状态显示。如果参数 copy 设置为 False，则就地执行操作。

Answer 4

您正在尝试在 -1 和 +1 之间缩放 audio 的值，在 0 到 255 之间缩放 image 的值。

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))

和

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

注意：不要与缩放的操作混淆将向量的范数（长度）调整为某个值（通常为 1），这通常也称为归一化。

Answer 5

这个答案对类似的问题为我解决了问题

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

Answer 6

您可以使用“i”（如 idiv、imul..）版本，它看起来还不错：

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

对于另一种情况，您可以编写一个函数来按列标准化 n 维数组：

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

Answer 7

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，甚至使用标准缩放器 sk.StandardScaler()

Answer 8

我尝试按照 this 进行操作，并收到错误

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

The numpy array I was试图标准化是一个整数数组。看来他们不赞成在版本 > 中进行类型转换1.10，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。