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

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

如果您正在处理3D向量，您可以使用vg工具带简单地做到这一点。它是numpy之上的一个轻量级层，支持单值和堆叠向量。

import numpy as np
import vg

x = np.random.rand(1000)*10
norm1 = x / np.linalg.norm(x)
norm2 = vg.normalize(x)
print np.all(norm1 == norm2)
# True

我在上次创业时创建了这个库，它的动机是这样的:简单的想法在NumPy中太啰嗦了。

如果你有多维数据，并希望每个轴都归一化到最大值或总和:

def normalize(_d, to_sum=True, copy=True):
    # d is a (n x dimension) np array
    d = _d if not copy else np.copy(_d)
    d -= np.min(d, axis=0)
    d /= (np.sum(d, axis=0) if to_sum else np.ptp(d, axis=0))
    return d

使用numpys的峰对峰函数。

a = np.random.random((5, 3))

b = normalize(a, copy=False)
b.sum(axis=0) # array([1., 1., 1.]), the rows sum to 1

c = normalize(a, to_sum=False, copy=False)
c.max(axis=0) # array([1., 1., 1.]), the max of each row is 1

如果你使用多维数组，快速解决是可能的。

假设我们有一个二维数组，我们想用最后一个轴归一化，而有些行有零范数。

import numpy as np
arr = np.array([
    [1, 2, 3], 
    [0, 0, 0],
    [5, 6, 7]
], dtype=np.float)

lengths = np.linalg.norm(arr, axis=-1)
print(lengths)  # [ 3.74165739  0.         10.48808848]
arr[lengths > 0] = arr[lengths > 0] / lengths[lengths > 0][:, np.newaxis]
print(arr)
# [[0.26726124 0.53452248 0.80178373]
# [0.         0.         0.        ]
# [0.47673129 0.57207755 0.66742381]]

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