如何高效对多维NumPy数组中各2D矩阵的列执行MinMax归一化

核心思路 #

MinMax归一化的公式为：(x - x_min) / (x_max - x_min)，要高效处理X维数组中每个2D矩阵的列，关键是利用NumPy的轴操作和广播机制，避免显式循环（循环在处理大规模数据时效率极低）。

对于X维数组（以示例3D数组为例，shape为(N, M, K)，其中N是2D矩阵数量，M是行数，K是列数），我们需要针对每个2D矩阵，沿**行轴（axis=1）**计算每列的最小值和最大值，再通过广播完成逐元素的归一化计算。

代码实现 #

import numpy as np

# 示例3D数组
a = np.array([[[  0,  10],
               [ 20,  30]],
              [[ 40,  50],
               [ 60,  70]],
              [[ 80,  90],
               [100, 110]]])

# 计算每个2D矩阵各列的最小值（保持维度以支持广播）
col_mins = np.min(a, axis=1, keepdims=True)
# 计算每个2D矩阵各列的最大值（保持维度以支持广播）
col_maxs = np.max(a, axis=1, keepdims=True)

# 执行MinMax归一化，添加epsilon避免除以0的情况
epsilon = 1e-10
b = (a - col_mins) / (col_maxs - col_mins + epsilon)

print(b)

结果验证 #

运行上述代码后，输出结果与预期完全一致：

[[[0. 0.]
  [1. 1.]]

 [[0. 0.]
  [1. 1.]]

 [[0. 0.]
  [1. 1.]]]

适配更高维度数组 #

如果是4D及以上维度的数组（比如4D数组(B, N, M, K)，B为批次维度），只需调整axis参数指向对应2D矩阵的行轴即可。例如4D数组中每个2D矩阵是(M, K)结构，计算min/max时指定axis=2，保持维度后就能通过广播完成归一化。

内容的提问来源于stack exchange，提问作者Lud