Как нормализовать массив NumPy в пределах определенного диапазона?

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

Использование /= и *= позволяет исключить промежуточный временный массив, тем самым сэкономив память. Умножение дешевле деления, поэтому

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

незначительно быстрее, чем

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

Поскольку здесь мы используем базовые методы numpy, я думаю, что это настолько эффективное решение в numpy, насколько это возможно.

Операции на месте не изменяют dtype массива контейнеров. Поскольку желаемые нормализованные значения являются числами с плавающей запятой, массивы audio и image должны иметь dtype с плавающей запятой, прежде чем будут выполняться операции на месте. Если они еще не имеют dtype с плавающей запятой, вам нужно будет преобразовать их с помощью astype. Например,

image = image.astype('float64')

Если массив содержит как положительные, так и отрицательные данные, я бы пошел с:

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

Если массив содержит nan, одним из решений может быть просто удалить их как:

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

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

Однако, в зависимости от контекста, вы можете по-разному относиться к nan. Например. интерполировать значение, заменив, например, на 0 или вызвать ошибку.

Наконец, стоит упомянуть, даже если это не вопрос OP, стандартизация:

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

Вы также можете изменить масштаб, используя sklearn. Преимущество заключается в том, что вы можете настроить нормализацию стандартного отклонения в дополнение к центрированию данных по среднему значению и что вы можете сделать это на любой оси, по функциям или по записям.

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

Аргументы ключевого слова axis, with_mean, with_std говорят сами за себя и отображаются в состоянии по умолчанию. Аргумент copy выполняет операцию на месте, если для него задано значение False. Документация здесь.

Вы можете использовать версию «i» (как в idiv, imul..), и она выглядит неплохо:

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

В другом случае вы можете написать функцию для нормализации n-мерного массива по столбцам:

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

Вы пытаетесь масштабировать минимальные и максимальные значения audio между -1 и +1 и image между 0 и 255.

Использование sklearn.preprocessing.minmax_scale должно легко решить вашу проблему.

e.g.:

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

и

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

примечание: не путать с операцией масштабирования норма (длина) вектора до определенного значения (обычно 1), что также обычно называют нормализацией.

Простое решение — использовать скейлеры, предлагаемые библиотекой sklearn.preprocessing.

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)

Ошибка X_rec-X будет равна нулю. Вы можете настроить feature_range для своих нужд или даже использовать стандартный масштабатор sk.StandardScaler().

Я попытался выполнить это и получил ошибку

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

Массив numpy, который я пытался нормализовать, был массивом integer. Кажется, они устарели приведение типов в версиях> 1.10, и вы должны использовать numpy.true_divide(), чтобы решить эту проблему.

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

img был объектом PIL.Image.

Этот ответ на похожий вопрос решил проблему для меня с

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