如何对NumPy数组的每行元素进行自相对MinMaxScaler向量化缩放？

需求说明 #

需要对NumPy数组的每行元素基于自身的最值做MinMax缩放（即每行单独计算最小值和最大值，将该行元素缩放到[0,1]区间），且要求用向量化实现，避免显式for循环。

示例数组：

import numpy as np
example = np.array([[2.52163839, 2.54165282, 2.12608389, 2.54515915],
                    [2.29481214, 1.78448378, 2.26652405, 2.27311454],
                    [2.31706137, 2.29058921, 1.83225955, 2.29767736]])

最优方案：NumPy原生向量化实现 #

MinMax缩放的核心公式是：

scaled_value = (original_value - row_min) / (row_max - row_min)

利用NumPy的广播机制，我们可以直接按行计算最值，然后一次性完成所有行的缩放，完全无需循环：

# 计算每行的最小值和最大值，keepdims=True保持维度以支持广播
row_mins = example.min(axis=1, keepdims=True)
row_maxs = example.max(axis=1, keepdims=True)

# 应用缩放公式
scaled_example = (example - row_mins) / (row_maxs - row_mins)

验证结果：

• 第一行最小值为2.12608389，最大值为2.54515915，对应索引2的元素会被缩放到0，索引3的元素缩放到1，符合需求。
• 第二行最小值为1.78448378，最大值为2.29481214，对应索引1的元素缩放到0，索引0的元素缩放到1，符合需求。

该方案效率远高于逐行调用MinMaxScaler，是真正的向量化实现。

备选方案：使用sklearn的MinMaxScaler（无显式循环） #

如果一定要基于sklearn的MinMaxScaler实现，可以用np.apply_along_axis封装，但本质是逐行处理（底层仍有循环），效率低于原生NumPy方案：

from sklearn.preprocessing import MinMaxScaler

def scale_single_row(row):
    # 将行转为列向量以适配MinMaxScaler的输入要求，再展平回行
    return MinMaxScaler().fit_transform(row.reshape(-1, 1)).flatten()

# 沿轴1（每行）应用缩放函数
scaled_example = np.apply_along_axis(scale_single_row, axis=1, arr=example)

你之前代码的问题修正 #

你尝试的map(MinMaxScaler().fit_transform(), example)错误在于fit_transform需要传入参数，正确的写法应该是：

scaled_example = np.array(list(map(lambda x: MinMaxScaler().fit_transform(x.reshape(-1,1)).flatten(), example)))

但这种写法本质是逐行遍历，效率不如原生NumPy的向量化方案。

内容的提问来源于stack exchange，提问作者NaiveBae