如何用Numpy基于原矩阵MIN和MAX高效生成新矩阵

你要实现的是Min-Max归一化，Numpy的向量化运算完全可以替代for循环，大幅提升效率，不需要额外调用特定函数，直接用基础数组运算就能搞定：

实现步骤 #

1. 计算矩阵A的全局最小值和最大值：用np.min(A)和np.max(A)，默认会遍历整个矩阵得到全局的MIN和MAX，正好匹配你的需求。
2. 利用Numpy的广播机制直接对整个矩阵做元素级运算，无需手动循环。

代码示例 #

import numpy as np

# 示例矩阵A
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 计算全局MIN和MAX
min_val = np.min(A)
max_val = np.max(A)

# 处理特殊情况：避免分母为0（当矩阵所有元素相同时）
if max_val == min_val:
    B = np.zeros_like(A)
else:
    # 向量化运算生成目标矩阵B
    B = (A - min_val) / (max_val - min_val)

print(B)

效果说明 #

运行后输出的B矩阵所有元素会被缩放到[0, 1]区间，完全符合你给出的公式。Numpy的向量化运算基于C实现，比Python原生for循环效率高几个数量级，处理大矩阵时优势会更显著。

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