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
我试着遵循这个方法，但得到了错误
TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''
我试图规范化的numpy数组是一个整数数组。似乎他们在> 1.10版本中弃用了类型强制转换，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PIL。图像对象。
其他回答
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()
您正在尝试将音频的值在-1到+1之间，图像的值在0到255之间进行最小-最大缩放。
使用sklearn.preprocessing。Minmax_scale应该很容易解决您的问题。
例如:
audio_scaled = minmax_scale(audio, feature_range=(-1,1))
and
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)的操作混淆，这也通常被称为归一化。
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。
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))
我试着遵循这个方法，但得到了错误
TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''
我试图规范化的numpy数组是一个整数数组。似乎他们在> 1.10版本中弃用了类型强制转换，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PIL。图像对象。
