如何在python中规范化一个二维numpy数组？

给定一个3乘以3的numpy数组

a = numpy.arange(0,27,3).reshape(3,3)

# array([[ 0,  3,  6],
#        [ 9, 12, 15],
#        [18, 21, 24]])

为了规范化我想到的二维数组的行

row_sums = a.sum(axis=1) # array([ 9, 36, 63])
new_matrix = numpy.zeros((3,3))
for i, (row, row_sum) in enumerate(zip(a, row_sums)):
    new_matrix[i,:] = row / row_sum

一定有更好的办法，不是吗

---

也许要澄清一下：通过规范化，我的意思是，每行入口的总和必须是一。但我认为大多数人都会明白这一点。

广播对这一点非常有益：

row_sums = a.sum(axis=1)
new_matrix = a / row_sums[:, numpy.newaxis]

行总和[：，numpy.newaxis]

将行总和从

（3，）

重塑为

（3，1）

。当您执行

a/b

时，

a

和

b

会相互广播

---

你可以了解更多关于广播的内容，甚至更好。

我认为这应该行得通

a = numpy.arange(0,27.,3).reshape(3,3)

a /=  a.sum(axis=1)[:,numpy.newaxis]

---

Scikit learn提供了一个函数，可用于应用各种规格化。“求和为1”称为L1范数。因此：

from sklearn.preprocessing import normalize

matrix = numpy.arange(0,27,3).reshape(3,3).astype(numpy.float64)
# array([[  0.,   3.,   6.],
#        [  9.,  12.,  15.],
#        [ 18.,  21.,  24.]])

normed_matrix = normalize(matrix, axis=1, norm='l1')
# [[ 0.          0.33333333  0.66666667]
#  [ 0.25        0.33333333  0.41666667]
#  [ 0.28571429  0.33333333  0.38095238]]

---

现在，您的行总数将为1。

如果您试图规范化每一行，使其大小为1（即，一行的单位长度为1或一行中每个元素的平方和为1）：

验证：

np.sum( result**2, axis=-1 )
# array([ 1.,  1.,  1.]) 

---

看来这也行得通

def normalizeRows(M):
    row_sums = M.sum(axis=1)
    return M / row_sums

---

或者使用lambda函数，比如

>>> vec = np.arange(0,27,3).reshape(3,3)
>>> import numpy as np
>>> norm_vec = map(lambda row: row/np.linalg.norm(row), vec)

---

vec的每个向量都有一个单位范数。

您也可以使用矩阵转置：

(a.T / row_sums).T

---

我认为您可以通过以下方式将行元素总和规格化为1：

new_matrix=a/a.sum（axis=1，keepdims=1）

。 可以使用

new_matrix=a/a.sum（axis=0，keepdims=1）

进行列规范化。希望这能有帮助

normed_matrix = normalize(input_data, axis=1, norm='l1')
print(normed_matrix)

---

如果input_data是2D阵列的名称，则可以使用内置的numpy函数：

---

np.linalg.norm（a，axis=1，keepdims=True）

以下是使用

重塑的另一种可能方法：

a_norm = (a/a.sum(axis=1).reshape(-1,1)).round(3)
print(a_norm)

或者使用
None
也可以：

a_norm = (a/a.sum(axis=1)[:,None]).round(3)
print(a_norm)

输出：

array([[0.   , 0.333, 0.667],
       [0.25 , 0.333, 0.417],
       [0.286, 0.333, 0.381]])

好。请注意，通过将小数点添加到27，将数据类型更改为arange。Axis似乎不是np.linalg.norm的参数（不再是了？）。值得注意的是，这对应于l2范数（其中，与1相加的行对应于l1范数），这可以使用
a.sum（Axis=1，keepdims=True）进一步简化
为了保持单例列维度，您可以在不使用
np.newaxis
的情况下播放该维度。如果任何行和为零，该怎么办？这是上述问题的正确答案-但是如果需要常规意义上的规范化，请使用
np.linalg.norm
而不是
a.sum
！这比行和更可取吗？重塑（3,1）

？因为行和可能为0，所以它没有那么稳健。小心，“规格化”通常意味着组件的平方和为1。你的定义对大多数人来说都不太清楚；）@coldfix谈到了

L2

norm，并认为它是最常见的（这可能是真的），而Aufwind使用

L1

norm，它实际上也是一个norm。这还有一个优点，即它在稀疏数组上工作，而稀疏数组不能作为密集数组装入内存。

array([[0.   , 0.333, 0.667],
       [0.25 , 0.333, 0.417],
       [0.286, 0.333, 0.381]])