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

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

其他回答

如果你不需要最大的精度,你的函数可以简化为:

v_norm = v / (np.linalg.norm(v) + 1e-16)

如果你在使用scikit-learn,你可以使用sklearn.预处理。normalize:

import numpy as np
from sklearn.preprocessing import normalize

x = np.random.rand(1000)*10
norm1 = x / np.linalg.norm(x)
norm2 = normalize(x[:,np.newaxis], axis=0).ravel()
print np.all(norm1 == norm2)
# True

如果你想要[0;1]为1d-array,然后使用

(a - a.min(axis=0)) / (a.max(axis=0) - a.min(axis=0))

a是你的一维数组。

一个例子:

>>> a = np.array([0, 1, 2, 4, 5, 2])
>>> (a - a.min(axis=0)) / (a.max(axis=0) - a.min(axis=0))
array([0. , 0.2, 0.4, 0.8, 1. , 0.4])

注意该方法。对于保存值之间的比例有一个限制:一维数组必须至少有一个0,并且由0和正数组成。

一个简单的点积就可以了。不需要任何额外的包装。

x = x/np.sqrt(x.dot(x))

顺便说一下,如果x的范数为0,它本质上是一个零向量,并且不能转换为单位向量(范数为1)。如果你想捕获np.array([0,0,…0])的情况,那么使用

norm = np.sqrt(x.dot(x))
x = x/norm if norm != 0 else x

对于2D数组,可以使用下面的一行代码跨行规范化。要跨列归一化,只需设置axis=0。

a / np.linalg.norm(a, axis=1, keepdims=True)