如何对二维NumPy数组进行全局最小-最大归一化？

你可以直接使用sklearn的minmax_scale实现全局归一化，只需要调整axis参数为None，无需手动遍历数组。

示例代码 #

from sklearn.preprocessing import minmax_scale
import numpy as np

arr = np.array([[1,2,3],[4,5,6],[11,12,13]])
print("原数组：")
print(arr)

# 全局归一化：将axis设置为None，计算整个数组的min和max
scaled_array = minmax_scale(arr, axis=None)
# 恢复原数组的形状
scaled_array = scaled_array.reshape(arr.shape)

print("\n全局归一化结果：")
print(scaled_array)

输出结果 #

原数组：
[[ 1  2  3]
 [ 4  5  6]
 [11 12 13]]

全局归一化结果：
[[0.   0.08 0.16]
 [0.25 0.33 0.41]
 [0.83 0.91 1.  ]]

说明 #

• axis=None参数会让minmax_scale把整个数组当作一个整体，计算全局的最小值和最大值，而非按行或列单独计算。
• 归一化后数组会被展平为一维，因此需要用reshape(arr.shape)恢复原始的二维结构。
• 你自己手动实现的遍历方法是可行的，但使用sklearn的内置方法更简洁，且能更好地融入sklearn的机器学习工作流（比如配合Pipeline使用）。

内容的提问来源于stack exchange，提问作者m2022m