行列归一化问题：如何让概率数组列和为1、行和为指定整数X

你遇到的核心问题是：两次独立的归一化操作会互相破坏对方的约束——先列归一化保证了列和为1，但后续行归一化调整行和到X时，会改变每个元素的比例，导致列和不再是1；反过来先做行归一化也会破坏列和的约束。

为什么现有方法不生效？ #

举个简单例子：假设你的数组是2行2列，初始值是：

[[1, 1],
 [1, 1]]

先列归一化后，列和为1，数组变成：

[[0.5, 0.5],
 [0.5, 0.5]]

此时行和是1，你要调整行和到X=2，会把每个元素乘以2，得到：

[[1, 1],
 [1, 1]]

这时候列和又变回了2，回到了初始状态，显然没有同时满足两个约束。

可行的解决方案：交替迭代归一化 #

我们可以通过交替执行列归一化和行归一化，逐步让数组收敛到同时满足两个约束的状态。每次迭代后，行和与列和会越来越接近目标值，直到满足你需要的精度（比如1e-6）。

用Numpy实现的代码如下（比手动循环更高效简洁）：

import numpy as np

def normalize_matrix(B, target_row_sum=9.0, tol=1e-6):
    B = B.astype(np.float64)  # 确保浮点运算精度
    rows, cols = B.shape
    
    # 处理初始为0的行/列（避免除以0）
    B[B == 0] = 1e-12  # 给0元素加极小值，不影响结果但避免报错
    
    while True:
        # 列归一化：列和为1
        col_sums = B.sum(axis=0)
        B = B / col_sums[np.newaxis, :]
        
        # 行归一化：行和为target_row_sum
        row_sums = B.sum(axis=1)
        B = B * (target_row_sum / row_sums)[:, np.newaxis]
        
        # 检查是否满足约束
        current_row_sums = B.sum(axis=1)
        current_col_sums = B.sum(axis=0)
        row_error = np.max(np.abs(current_row_sums - target_row_sum))
        col_error = np.max(np.abs(current_col_sums - 1.0))
        
        if row_error < tol and col_error < tol:
            break
    
    return B

# 示例使用
# 假设B是5行30列的随机数组（替换成你的实际数组）
B = np.random.rand(5, 30)
normalized_B = normalize_matrix(B)

# 验证结果
print("行和：", normalized_B.sum(axis=1))
print("列和：", normalized_B.sum(axis=0))

注意事项 #

• 初始数组中如果有全0的行或列，需要特殊处理（比如添加极小值），否则会出现除以0的错误。
• 迭代次数取决于初始数组与目标的差异，一般几次到几十次迭代就能收敛到足够精度。
• 如果需要严格精确的整数行和（比如必须是9，而不是8.9999999），可以在最后对每行进行微小调整（比如将误差分摊到非零元素上），但通常浮点精度下的近似已经足够满足概率场景的需求。

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