如何无循环对3D numpy数组按2D层执行MinMax归一化？

问题描述 #

需要对以下3D NumPy数组，在2D层级别（即每个独立的2D子数组）执行MinMax归一化：

原始数组：

import numpy as np

arr = np.array([[[0, 1, 2],
           [3, 4, 5],
           [6, 7, 8]],
          [[0, 1, 2],
           [3, 4, 5],
           [6, 7, 10]],
          [[0, 1, 2],
           [3, 4, 5],
           [6, 7, 12]]])

期望归一化结果：

np.array([[[0. , 0.1, 0.2],
           [0.3, 0.4, 0.5],
           [0.6, 0.7, 1. ]],
          [[0. , 0.1, 0.2],
           [0.3, 0.4, 0.5],
           [0.6, 0.7, 1. ]],
          [[0.        , 0.08333333, 0.16666667],
           [0.25      , 0.33333333, 0.41666667],
           [0.5       , 0.58333333, 1.        ]]])

要求不使用循环实现。

解决方案 #

利用NumPy的广播机制和极值计算的axis参数，可以高效完成无循环的2D层级别归一化：

import numpy as np

# 定义原始数组
arr = np.array([[[0, 1, 2],
           [3, 4, 5],
           [6, 7, 8]],
          [[0, 1, 2],
           [3, 4, 5],
           [6, 7, 10]],
          [[0, 1, 2],
           [3, 4, 5],
           [6, 7, 12]]])

# 计算每个2D层的最小值和最大值，keepdims保持维度匹配
min_vals = arr.min(axis=(1, 2), keepdims=True)
max_vals = arr.max(axis=(1, 2), keepdims=True)

# 执行MinMax归一化公式
normalized_arr = (arr - min_vals) / (max_vals - min_vals)

# 输出结果
print(normalized_arr)

核心要点 #

• axis=(1,2)：指定对每个3D数组中的2D子数组（第1、2维度）单独计算极值，得到每个2D层对应的单个min/max值。
• keepdims=True：保持结果的维度为(3,1,1)，与原数组(3,3,3)兼容，触发广播机制自动扩展维度，实现逐元素运算。
• 广播机制：无需手动循环，NumPy会自动将极值数组扩展为与原数组相同的形状，完成每个2D层内的归一化计算。

内容的提问来源于stack exchange，提问作者Lud