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。
当前回答
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()
其他回答
这个类似问题的答案为我解决了这个问题
np.interp(a, (a.min(), a.max()), (-1, +1))
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()
# 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，因此音频和图像数组在执行原地操作之前需要具有浮点点dtype。 如果它们不是浮点dtype，则需要使用astype对它们进行转换。例如,
image = image.astype('float64')
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()
您还可以使用sklearn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。如果参数副本被设置为False，则该参数副本就地执行操作。这里的文档。
