Как нормализовать массив NumPy в пределах определенного диапазона?

Question

Как нормализовать массив NumPy в пределах определенного диапазона?

после выполнения некоторой обработки на массиве аудио или изображений, он должен быть нормализован в пределах диапазона, прежде чем он может быть записан обратно в файл. Это можно сделать так:

# Normalize audio channels to between -1.0 and +1.0

audio[:,0] = audio[:,0]/abs(audio[:,0]).max()

audio[:,1] = audio[:,1]/abs(audio[:,1]).max()



# Normalize image to between 0 and 255

image = image/(image.max()/255.0)

есть ли менее подробный, удобный способ сделать это? matplotlib.colors.Normalize() не похоже, что это связано.

911 6

python numpy arrays scipy convenience-methods

6 ответов:

Comments

Ничего не найдено.

unutbu · Accepted Answer · 2009-11-15 04:32:20

audio /= np.max(np.abs(audio),axis=0)
image *= (255.0/image.max())
используя /= и *= позволяет устранить промежуточное временный массив, тем самым экономя память. Умножение стоит дешевле, чем деление, так что
image *= 255.0/image.max()    # Uses 1 division and image.size multiplications
намного быстрее, чем
image /= image.max()/255.0    # Uses 1+image.size divisions
так как мы используем основные методы numpy здесь, я думаю, что это примерно такое же эффективное решение в numpy, как может быть.

cjohnson318 · Accepted Answer · 2014-01-17 22:53:11

вы также можете масштабировать с помощью sklearn. Преимущества заключаются в том, что вы можете настроить нормализацию стандартного отклонения в дополнение к среднему центрированию данных и что вы можете сделать это на любой оси, по объектам или по записям.
from sklearn.preprocessing import scale
X = scale( X, axis=0, with_mean=True, with_std=True, copy=True )
аргументы ключевого слова axis,with_mean,with_std являются самоочевидными и отображаются в состоянии по умолчанию. Аргумент copy выполняет операцию на месте, если это значение False. Документация здесь.

Tactopoda · Accepted Answer · 2018-09-28 15:09:53

Если массив содержит как положительные, так и отрицательные данные, я бы пошел с:
import numpy as np

a = np.random.rand(3,2)

# Normalised [0,1]
b = (a - np.min(a))/np.ptp(a)

# Normalised [0,255] as integer
c = 255*(a - np.min(a))/np.ptp(a).astype(int)

# Normalised [-1,1]
d = 2*(a - np.min(a))/np.ptp(a)-1
кроме того, стоит упомянуть, даже если это не вопрос ОП,стандартизация:
e = (a - np.mean(a)) / np.std(a)

u0b34a0f6ae · Accepted Answer · 2009-11-14 20:04:54

вы можете использовать "я" (как в idiv, imul..) версия, и это не выглядит так уж плохо:
image /= (image.max()/255.0)
в другом случае вы можете написать функцию для нормализации n-мерного массива по столбцам:
def normalize_columns(arr):
    rows, cols = arr.shape
    for col in xrange(cols):
        arr[:,col] /= abs(arr[:,col]).max()

Pantelis · Accepted Answer · 2018-02-21 16:59:57

простое решение заключается в использовании скалеров, предлагаемых sklearn.библиотека предварительной обработки.
scaler = sk.MinMaxScaler(feature_range=(0, 250))
scaler = scaler.fit(X)
X_scaled = scaler.transform(X)
# Checking reconstruction
X_rec = scaler.inverse_transform(X_scaled)
ошибка X_rec-X будет равна нулю. Вы можете настроить feature_range для ваших нужд, или даже использовать стандартный скалер sk.StandardScaler ()

SpoiledBrat · Accepted Answer · 2018-05-14 09:50:29

Я пытался следовать этой, и получил ошибку
TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''
The numpy массив, который я пытался нормализовать, был integer массив. Кажется, они устарели литье типов в версиях > 1.10, и вы должны использовать numpy.true_divide() чтобы решить эту проблему.
arr = np.array(img)
arr = np.true_divide(arr,[255.0],out=None)
img был