Python：最小最大值扩展数组的快速方法

我使用以下方法在0和1之间缩放n维数组：

x_scaled=（x-np.amin（x））/（np.amax（x）-np.amin（x））

但对于大型数据集来说，速度非常慢。我需要处理数千个相对较大的阵列。在python中有没有更快的方法

编辑：我的数组处于形状（24,24,24,9）。对于scikit中的MinMax scaler，输入数组必须具有特定的形状，而我的没有，因此我不能使用它。文件中说：

Parameters: 
X : array-like, shape [n_samples, n_features]

---

代码最简单的加速就是不要计算两次。这本身应该有30%左右的帮助：

mn, mx = x.min(), x.max()
x_scaled = (x - mn) / (mx - mn)

您还可以通过以下方式获得一些里程：

---

就这一点而言，如果

min

或

max

实际运行缓慢，那么您的数组有多大？

最简单的代码加速就是不要计算两次。这本身应该有30%左右的帮助：

mn, mx = x.min(), x.max()
x_scaled = (x - mn) / (mx - mn)

您还可以通过以下方式获得一些里程：

---

就这一点而言，

min

或

max

实际运行缓慢的数组有多大？

可以优化MadPhysicator的答案，以避免不必要的临时数据分配：

x -= x.min()
x /= x.ptp()

就地运算符（

+=

，

-=

等）不会占用内存（因此在磁盘上进行交换的可能性较小）。当然，这会破坏您最初的

x

，因此只有在您不需要

x

之后才可以

---

此外，他提出的在高维矩阵中连接多个数据的想法，如果你有许多通道，这是一个好主意，但同样应该测试这个大矩阵是否会产生磁盘交换，与按顺序处理的小矩阵相比。

MadPhysician的答案可以优化，以避免不必要的临时数据分配：

x -= x.min()
x /= x.ptp()

就地运算符（

+=

，

-=

等）不会占用内存（因此在磁盘上进行交换的可能性较小）。当然，这会破坏您最初的

x

，因此只有在您不需要

x

之后才可以

此外，他提出的在高维矩阵中连接多个数据的想法是一个好主意，如果你有许多通道，但是与按顺序处理的小矩阵相比，应该再次测试这个大矩阵是否会产生磁盘交换。

使用它是有风险的，即max-min，因为它在理论上可以是0，导致一个例外。使用起来更安全，因为它没有这个问题。首先，

pip安装scikit-learn

from sklearn.preprocessing import minmax_scale

minmax_scale(array)

如果使用sklearn管道，请改用。

使用它是有风险的，即max-min，因为理论上它可以是0，从而导致异常。使用起来更安全，因为它没有这个问题。首先，

pip安装scikit-learn

from sklearn.preprocessing import minmax_scale

minmax_scale(array)

---

---

如果使用sklearn管道，请改用。

我想您仍然可以使用sklearn的

MinMaxScaler

。您只需将数据重塑为类似于

[n_samples，n_features]

的形状，对其进行缩放，然后将其重塑为原始形状。这其实并不重要，只要你正确地重塑它。就速度而言，我不认为这与使用numpy有什么不同，它只是让你省去了乘法和除法的麻烦。

我想你仍然可以使用sklearn的

MinMaxScaler

。您只需将数据重塑为类似于

[n_samples，n_features]

的形状，对其进行缩放，然后将其重塑为原始形状。这其实并不重要，只要你正确地重塑它。就速度而言，我不认为这与使用numpy有什么不同，它只是让您免去了乘法和除法的麻烦。

使用sklearn的

MinMaxScaler

怎么样。也不要计算两次最小值？数据集的形状是什么？您能给我们展示一下

sklearn.preprocessing.minmax\u scale（x）

的输出吗？是否有错误消息？回答错误？使用sklearn提供的

MinMaxScaler

怎么样。也不要计算两次最小值？数据集的形状是什么？您能给我们展示一下

sklearn.preprocessing.minmax\u scale（x）

的输出吗？是否有错误消息？回答错了吗？谢谢，我的问题是，我想用minmax扩展大量的数组，所以它不是一个大数组，而是许多相对较大的数组。@Wise。然后连接它们并沿特定轴应用函数。请把你的问题弄清楚并完整。这个答案很危险，因为

ptp（）

理论上可以返回0。谢谢，我的问题是，我想用minmax扩展大量数组，所以它不是一个大数组，而是大量相对大的数组。@Wise。然后连接它们并沿特定轴应用函数。请把你的问题弄清楚和完整。这个答案很危险，因为

ptp（）

理论上可以返回0。@MaxU：在使用完全广播的特定情况下，你是对的。但使用就地运算符通常是一个救生员；-）这个答案很危险，因为

ptp（）

理论上可以返回0。@A-B-B。与手动计算差值相同。问题是如何加快代码的速度，而不是抓住所有的死角。话虽如此，你的评论还是非常有用的。@MaxU：在使用全广播的情况下，你是对的。但使用就地运算符通常是一个救生员；-）这个答案很危险，因为

ptp（）

理论上可以返回0。@A-B-B。与手动计算差值相同。问题是如何加快代码的速度，而不是抓住所有的死角。尽管如此，你的评论还是非常有用的。