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)

这可能对你也有用

import numpy as np
normalized_v = v / np.sqrt(np.sum(v**2))

但当v的长度为0时失效。

在这种情况下，引入一个小常数来防止零除法可以解决这个问题。

正如评论中所建议的，人们也可以使用

v/np.linalg.norm(v)

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。

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