为何Min-Max归一化在Python中处理dtype='<i2'数据时结果异常？

你用的<i2是16位有符号整数（int16），它的取值范围是[-32768, 32767]。当计算np.amax(array) - np.amin(array)时，如果数组的最大值和最小值跨度超过int16的存储上限（比如最大值接近32767、最小值接近-32768），两者的差值会达到65535，远大于int16能容纳的最大值32767，直接触发整数溢出，导致计算结果失真，同时抛出overflow encountered in scalar subtract警告。后续的归一化计算基于错误的差值，自然会得到[-130,130]这种完全不符合预期的范围。

修改归一化函数，在计算前先把数组转换成浮点类型（比如float32或float64），从根源避免整数溢出问题：

import numpy as np

def MinMaxNormalize(array):
    # 转换为浮点类型再进行计算
    arr_float = array.astype(np.float32)
    min_val = np.amin(arr_float)
    max_val = np.amax(arr_float)
    # 处理所有值相同的极端情况，避免除以0报错
    if max_val == min_val:
        return np.zeros_like(arr_float)
    return (arr_float - min_val) / (max_val - min_val)

加载raw数据后，也可以直接转换成浮点类型再处理，减少中间步骤的类型隐患：

imarray = raw_data.reshape((height, width)).astype(np.float32)

内容的提问来源于stack exchange，提问作者DiegoA86