如何对特征矩阵执行行归一化？解决NumPy广播报错问题

• 本质是NumPy广播机制的维度匹配规则冲突：你调用a.min(axis=1)、a.max(axis=1)时，会压缩掉axis=1的维度，得到的是形状为(4,)的一维数组，而原矩阵a的形状是(4,5)。
• NumPy广播要求从最后一个维度开始匹配，(4,5)的最后一维长度是5，和(4,)的维度长度4无法匹配，因此触发维度不兼容的报错。

有两种常用的修复方式：

方案1：求最值时保留维度 #

调用min/max时传入keepdims=True参数，直接得到形状为(4,1)的二维数组，无需手动调整维度：

import numpy as np
a = np.random.randint(10, size=(4,5))
# 行归一化实现
min_row = a.min(axis=1, keepdims=True)
max_row = a.max(axis=1, keepdims=True)
normalized_a = (a - min_row) / (max_row - min_row)

方案2：手动给一维数组增加维度 #

如果不想改最值计算的逻辑，可以给计算得到的一维行最值新增维度，适配广播规则：

# 等价写法，用[:, np.newaxis]新增维度
min_row = a.min(axis=1)[:, np.newaxis]
max_row = a.max(axis=1)[:, np.newaxis]
normalized_a = (a - min_row) / (max_row - min_row)

补充注意：如果某一行的所有元素值都相同，会出现分母为0的情况，得到nan值，可以根据业务需求给分母加一个极小值（比如1e-8）避免除以0的问题。

内容的提问来源于stack exchange，提问作者kapooraae489