无需嵌套for循环实现numpy ndarray数组的标准化计算

你要完成的是Z-Score标准化操作，Numpy本身支持全局向量化运算，完全不需要手动写循环，性能可提升千倍以上。

实现步骤 #

• 第一步：调用Numpy内置方法计算数组的均值和标准差
• 第二步：直接用原数组整体减去均值，再整体除以标准差，Numpy会自动对每个元素执行对应运算，无需手动遍历

基础示例代码 #

import numpy as np

# 示例数组，可替换为你自己的ndarray
arr = np.random.rand(1000, 1000) # 百万级元素的二维数组

# 计算全局均值和标准差
mean_val = arr.mean()
std_val = arr.std()

# 向量化运算完成标准化，无任何显式循环
normalized_arr = (arr - mean_val) / std_val

按维度标准化适配 #

如果你需要按行/列维度做标准化（比如每行单独减自身的均值、除自身的标准差），只需指定轴参数即可：

# 按行标准化：每行单独计算均值、标准差
row_mean = arr.mean(axis=1, keepdims=True)
row_std = arr.std(axis=1, keepdims=True)
row_normalized = (arr - row_mean) / row_std

# 按列标准化：每列单独计算均值、标准差
col_mean = arr.mean(axis=0, keepdims=True)
col_std = arr.std(axis=0, keepdims=True)
col_normalized = (arr - col_mean) / col_std

注意要加keepdims=True参数，保证计算得到的均值/标准差维度和原数组匹配，避免广播运算出错。

性能说明 #

同样处理100万元素的数组，两层Python循环耗时普遍在秒级甚至十秒级，Numpy向量化运算耗时仅为毫秒级，性能差距可达数千倍。

内容的提问来源于stack exchange，提问作者MF1893