如何优雅地归一化二维坐标数组（将最小x、y值调整为0）

嘿，你的思路完全没问题，但用NumPy的向量化操作能把这一堆繁琐的步骤压缩成几行甚至一行，既简洁又高效！

你原来的代码手动提取x/y值、循环赋值的方式虽然能实现功能，但NumPy本身就支持对整个数组的批量操作，完全不用写循环。直接看优化后的代码：

import numpy as np

# 给定的坐标数组
pa = np.array([[ 213.00002 , 213.00002 ],[ -213.00002 , 213.00002 ],[ 213.00002 , -213.00002 ],[ -213.00002 , -213.00002 ]])

# 核心步骤：计算每列的最小值，然后数组整体减去这个最小值数组
p1 = pa - pa.min(axis=0)
# 如果你需要指定float32类型，加上这一行
p1 = p1.astype(np.float32)

# 输出结果和你手动计算的一致（浮点精度差异可忽略）
print(p1)
# [[426.00003 426.00003]
#  [  0.       426.00003]
#  [426.00003   0.      ]
#  [  0.        0.      ]]

给你拆解下为什么这行代码能搞定：

• pa.min(axis=0)：沿着列方向（也就是x、y各自的维度）计算最小值，得到的是[x_min, y_min]，正好对应你手动提取的pa_min_x和pa_min_y。
• NumPy的广播机制会自动把这个长度为2的最小值数组扩展成和原数组一样的形状，然后逐元素相减——相当于每个坐标点的x值减去x_min，y值减去y_min，完美实现了你要的“把最小x、y拉到0”的效果。

这种方法不仅代码量少，而且效率比循环高得多，尤其是当你的坐标数组很大的时候，优势会特别明显。

备注：内容来源于stack exchange，提问作者Paul St George