如何用MinMaxScaler归一化4D输入数组？

你的4D数组形状为(3,1,5,4)，包含3个样本，每个样本对应4个特征（每列一个特征）。要适配MinMaxScaler的2D输入要求，只需通过形状转换、归一化、形状恢复三步实现：

步骤1：调整数组形状为2D格式 #

首先去掉数组中维度为1的冗余轴，再将样本维度和样本内的行维度合并，得到(n_samples_total, n_features)格式的2D数组：

import numpy as np
from sklearn.preprocessing import MinMaxScaler

A = np.array([
            [[[0, 1, 2, 3],
              [3, 0, 1, 2],
              [2, 3, 0, 1],
              [1, 3, 2, 1],
              [1, 2, 3, 0]]],
            
            [[[9, 8, 7, 6],
              [5, 4, 3, 2],
              [0, 9, 8, 3],
              [1, 9, 2, 3],
              [1, 0, -1, 2]]],
            
            [[[0, 7, 1, 2],
              [1, 2, 1, 0],
              [0, 2, 0, 7],
              [-1, 3, 0, 1],
              [1, 0, 1, 0]]]
              ])

# 去掉维度为1的轴，形状变为(3,5,4)
squeezed_A = np.squeeze(A, axis=1)
# 合并前两个维度，得到(3*5,4)=(15,4)的2D数组
reshaped_A = squeezed_A.reshape(-1, 4)

步骤2：用MinMaxScaler归一化 #

直接对2D数组执行拟合和转换操作，MinMaxScaler会自动按列（即每个特征）进行归一化：

scaler = MinMaxScaler()
scaled_reshaped = scaler.fit_transform(reshaped_A)

步骤3：恢复数组为原4D形状 #

将归一化后的2D数组重新转换回原始的4D结构：

# 先恢复为(3,5,4)
scaled_squeezed = scaled_reshaped.reshape(3, 5, 4)
# 添加维度为1的轴，回到(3,1,5,4)
scaled_A = np.expand_dims(scaled_squeezed, axis=1)

# 验证形状是否匹配
print(scaled_A.shape)  # 输出(3,1,5,4)

关键说明 #

• 上述方法是全局归一化：用所有样本中每个特征的全局最小值和最大值来缩放，符合机器学习中归一化的常规做法（确保训练数据的统计量一致）。
• 如果需要对每个样本单独归一化（仅用当前样本的特征范围），可以修改逻辑为遍历每个样本单独处理，但这种场景在机器学习中较少见。

内容的提问来源于stack exchange，提问作者Amina Umar