Python numpy数组规范化中的零处理

我有一个二维向量的numpy数组，我正试图如下规格化它。阵列可以具有幅值为零的向量

x = np.array([[0.0, 0.0], [1.0, 0.0]])
norms = np.array([np.linalg.norm(a) for a in x])

>>> x/norms
array([[ nan,   0.],
       [ inf,   0.]])

>>> nonzero = norms > 0.0
>>> nonzero
array([False,  True], dtype=bool)

我是否可以使用

非零

将除法仅应用于

x[I]

，使

非零[I]

为

真

？（我可以为此写一个循环——只是想知道是否有一种简单的方法）

---

或者有没有更好的方法来规范化向量数组，跳过过程中的所有零向量？

只需进行计算，然后根据需要修改结果，这可能是最简单的方法：

y = x/norms
y[np.isnan(y) | np.isinf(y)]=0

#y = array([[ 0.,  0.],
#       [ 0.,  0.]])

---

这里有一种可能的方法

norms = np.sqrt((x**2).sum(axis=1,keepdims=True))
x[:] = np.where(norms!=0,x/norms,0.)

这将使用np.where来执行所需的替换

---

注意：在这种情况下，x是就地修改的。

如果您可以就地进行规范化，您可以像这样使用布尔索引数组：

nonzero = norms > 0
x[nonzero] /= norms[nonzero]

---

+我赢了我几秒钟！要在适当的位置执行此操作，我认为最好使用布尔索引数组：

idx=（norms！=0）；x[idx]/=norms[idx]

@Jaime-谢谢！请将其作为答案发布，以便我可以给您评分。

np.linalp.norm

有第二个参数

axis

您可以用来提高速度，如下所述：