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()

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

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)