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
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)
其他回答
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))
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。
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)
