我想将NumPy数组转换为单位向量。更具体地说，我正在寻找这个归一化函数的等效版本:
def normalize(v):
norm = np.linalg.norm(v)
if norm == 0:
return v
return v / norm
这个函数处理向量v的范数为0的情况。
在sklearn或numpy中是否提供了类似的函数?
当前回答
在Christoph Gohlke编写的流行转换模块中，还有函数unit_vector()用于规范化向量:
import transformations as trafo
import numpy as np
data = np.array([[1.0, 1.0, 0.0],
[1.0, 1.0, 1.0],
[1.0, 2.0, 3.0]])
print(trafo.unit_vector(data, axis=1))
其他回答
如果你想将存储在3D张量中的n维特征向量归一化，你也可以使用PyTorch:
import numpy as np
from torch import FloatTensor
from torch.nn.functional import normalize
vecs = np.random.rand(3, 16, 16, 16)
norm_vecs = normalize(FloatTensor(vecs), dim=0, eps=1e-16).numpy()
不使用sklearn，只使用numpy。 只需定义一个函数:。
假设行是变量，列是样本(轴= 1):
import numpy as np
# Example array
X = np.array([[1,2,3],[4,5,6]])
def stdmtx(X):
means = X.mean(axis =1)
stds = X.std(axis= 1, ddof=1)
X= X - means[:, np.newaxis]
X= X / stds[:, np.newaxis]
return np.nan_to_num(X)
输出:
X
array([[1, 2, 3],
[4, 5, 6]])
stdmtx(X)
array([[-1., 0., 1.],
[-1., 0., 1.]])
为了避免零除法，我用eps，但这可能不太好。
def normalize(v):
norm=np.linalg.norm(v)
if norm==0:
norm=np.finfo(v.dtype).eps
return v/norm
你提到了scikit learn，所以我想分享另一个解决方案。
学习MinMaxScaler
在sci-kit learn中，有一个叫做MinMaxScaler的API，它可以自定义你喜欢的值范围。
它也为我们处理了NaN问题。
nan被视为缺失值:不考虑是否合适，并予以维护 在transform. ...参见参考文献[1]
代码示例
代码很简单，只需输入即可
# Let's say X_train is your input dataframe
from sklearn.preprocessing import MinMaxScaler
# call MinMaxScaler object
min_max_scaler = MinMaxScaler()
# feed in a numpy array
X_train_norm = min_max_scaler.fit_transform(X_train.values)
# wrap it up if you need a dataframe
df = pd.DataFrame(X_train_norm)
[1] sklearn.preprocessing.MinMaxScaler
在Christoph Gohlke编写的流行转换模块中，还有函数unit_vector()用于规范化向量:
import transformations as trafo
import numpy as np
data = np.array([[1.0, 1.0, 0.0],
[1.0, 1.0, 1.0],
[1.0, 2.0, 3.0]])
print(trafo.unit_vector(data, axis=1))
