无需MinMaxScaler包实现Numpy数组归一化及报错解决

错误原因分析 #

原代码触发IndexError: invalid index to scalar variable.的核心问题：

• minFP = FCData[:,i].min() 和 maxFP = FCData[:,i].max() 返回的是标量值（单个数），但代码中错误地使用了索引minFP[i]、maxFP[i]，标量不支持索引访问。
• scale.append(yscale[i])仅添加了归一化后列的第i个元素，而非整个列，最终无法得到和原数据匹配的形状。

修正后的循环实现 #

适合理解逻辑的基础写法，兼容大数组：

import numpy as np

# 假设FCData是形状为(15000,6)的numpy数组
scale = []
for i in range(6):
    col = FCData[:, i]
    min_val = col.min()
    max_val = col.max()
    # 处理列内所有值相同的情况，避免除以0
    if max_val == min_val:
        normalized_col = np.zeros_like(col)
    else:
        normalized_col = (col - min_val) / (max_val - min_val)
    scale.append(normalized_col)

# 转换为与原数据形状一致的(15000,6)数组
scale = np.array(scale).T

高效的numpy广播实现 #

利用numpy的广播机制，避免循环，更适合大规模数据：

import numpy as np

# 按列计算所有特征的最小值和最大值，得到形状(6,)的数组
min_vals = FCData.min(axis=0)
max_vals = FCData.max(axis=0)

# 处理分母为0的情况：若列内值全相同，分母设为1，避免除以0错误
value_ranges = np.where(max_vals == min_vals, 1, max_vals - min_vals)

# 广播运算完成归一化，直接得到(15000,6)的归一化结果
scale = (FCData - min_vals) / value_ranges

验证结果 #

运行修正后的代码后，scale数组的每个特征列都会被归一化到[0,1]区间，形状与原数据FCData完全一致，且不会触发索引错误。

内容的提问来源于stack exchange，提问作者stack offer