Machine learning 如何使用MinMaxScaler一次规范化所有训练样本

我有1320个训练样本（海面温度），每个样本是一个2d数组（160320），因此最终的数组是形状（1320160320）。我想使用MinMaxScaler（）将它们规格化为0到1之间的值。我得到了错误“Find array with dim 3.MinMaxScaler expected据我所知，您不能仅使用MinMaxScaler（）。

np。沿轴应用\u也不会有用，因为您希望在二维切片上应用min-max scaler。一种解决方案可能是这样的：

import numpy as np
a = np.random.random((2, 3, 3))

def customMinMaxScaler(X):
    return (X - X.min()) / (X.max() - X.min())

np.array([customMinMaxScaler(x) for x in a])  

但我想这不会比在样本上迭代快多少。
不要忘记，定标器需要存储最小值和最大值，因此它总是对同一数据集的不同部分（如训练和测试）使用相同的最小值和最大值。我想不允许三维的直觉是因为它们假设数据具有相同的形状（样本，特征）。它们根据每个特征进行缩放，因此所有通道都从它们自己的数据范围映射到范围（0，1）；在我的例子中，我一直在努力，因为我得到了形状（样本，时间戳，特征），但根据之前收集的知识，我假设您需要合并样本和时间戳，然后再次拆分。
import numpy as np
a = np.random.random((2, 3, 3))

def customMinMaxScaler(X):
    return (X - X.min()) / (X.max() - X.min())

np.array([customMinMaxScaler(x) for x in a])