如何对多通道数据采用相同缩放因子执行Z-score归一化？

可以实现，核心是要基于全局的均值和标准差进行归一化，而非让scipy默认按通道单独计算统计量。以下是具体实现方案：

核心逻辑 #

scipy.stats.zscore默认会根据指定的axis参数对目标维度单独计算均值和标准差（比如axis=0时，会对多通道数组的每个通道做独立归一化），这会抹除通道间的均值差异，不符合你的需求。你需要基于整个数组的全局统计量完成归一化，这样就能保留通道间的均值相对差异。

实现方法 #

方法1：手动计算全局统计量后归一化 #

这种方式更直观，便于精准控制参数：

import numpy as np
from scipy.stats import zscore

# 示例：创建100个样本、4个通道的数组（通道间设置不同均值）
arr = np.random.randn(100, 4) * 2 + np.arange(4)

# 计算全局均值和总体标准差（与scipy zscore默认的ddof=0参数对齐）
global_mean = np.mean(arr)
global_std = np.std(arr, ddof=0)

# 执行全局归一化
normalized_arr = (arr - global_mean) / global_std

方法2：利用zscore处理展平数组后恢复形状 #

将多维数组展平为一维后用zscore计算，再恢复原形状，本质和方法1一致：

import numpy as np
from scipy.stats import zscore

arr = np.random.randn(100, 4) * 2 + np.arange(4)

# 展平数组计算全局zscore，再恢复原数组形状
normalized_arr = zscore(arr.flatten()).reshape(arr.shape)

注意事项 #

• 若需使用样本标准差（除以n-1），手动计算时将ddof=1传入np.std()，或调用zscore时指定参数：zscore(arr.flatten(), ddof=1).reshape(arr.shape)
• 禁止使用默认的按轴归一化（如zscore(arr, axis=0)），这种方式会让每个通道独立归一化到均值0、标准差1，完全消除通道间的均值差异。

内容的提问来源于stack exchange，提问作者oas