将NumPy二维数组内0-100范围像素坐标归一化至[-1,1]区间的最简方法

从你给出的5组映射关系可以直接反推单坐标分量的线性映射规则：

• 坐标值取0时，映射结果为-1
• 坐标值取50时，映射结果为0
• 坐标值取100时，映射结果为1
  线性关系完全对齐，单分量计算公式为：
  归一化值 = (原始坐标值 / 50) - 1
  逐点验证匹配所有给定的映射要求，无方向翻转、无非线性偏移。该公式和通用线性映射逻辑(val/raw_max)*2 -1完全等价，仅因你当前的坐标范围上限为100，可直接简化为最短写法，没有精度损失。

整个转换是逐元素的线性运算，不需要额外调用映射函数、不需要写循环，直接利用Numpy的广播机制对整个坐标数组做整体计算即可：

import numpy as np
# raw_coords为形状是(..., 2)的原始2维坐标数组，最后一维存储每个点的(x,y)坐标
norm_coords = raw_coords / 50 - 1

效果验证 #

用你给出的测试点做输入，运行结果完全符合映射要求：

# 测试输入：给定的5组映射点
test_input = np.array([[0,0], [0,100], [100,0], [100,100], [50,50]])
# 执行转换
test_output = test_input / 50 -1
# 运行结果
# array([[-1., -1.],
#        [-1.,  1.],
#        [ 1., -1.],
#        [ 1.,  1.],
#        [ 0.,  0.]])

这种实现的优势是：

• 代码长度极短，没有额外依赖
• 运算由Numpy底层C逻辑实现，相比Python循环速度快几个数量级
• 适配任意批量维度，只要最后一维是坐标分量，不需要修改逻辑

内容的提问来源于stack exchange，提问作者dan