如何将numpy.interp单向量缩放方法应用于矩阵的每一列？

嘿，你已经搞定了单向量的缩放逻辑，现在要把这套操作复用在矩阵的每一列上对吧？我给你两种实用的实现方式：

首先先回顾下你已经写好的单向量缩放代码：

import numpy as np

vector = np.array([-4, -3, -2, -1, 0])
scaledVector = np.interp(vector, (vector.min(), vector.max()), (-1, +1))
# 输出结果: [-1. -0.5  0.  0.5  1. ]

方案一：用np.apply_along_axis（直观易读，适合小矩阵） #

这个函数可以帮你沿着指定轴（我们要处理列，所以用axis=0），把你写好的单向量缩放逻辑逐个应用到每一列上。只需要把缩放逻辑封装成一个小函数就行：

import numpy as np

matrix = np.array( [[-4, -4, 0, 0, 0], [-3, -3, 1, -15, 0], [-2, -2, 8, -1, 0], [-1, -1, 11, 12, 0], [0, 0, 50, 69, 80]])

def scale_single_column(col):
    # 直接复用你之前的缩放逻辑
    return np.interp(col, (col.min(), col.max()), (-1, 1))

# 沿着列轴（axis=0）应用函数
scaledMatrix = np.apply_along_axis(scale_single_column, axis=0, arr=matrix)

方案二：向量化实现（性能更优，适合大矩阵） #

如果你的矩阵规模很大，apply_along_axis本质是循环，效率可能不够看。这时候可以用向量化的方式直接计算，完全避免循环，速度会快很多：

import numpy as np

matrix = np.array( [[-4, -4, 0, 0, 0], [-3, -3, 1, -15, 0], [-2, -2, 8, -1, 0], [-1, -1, 11, 12, 0], [0, 0, 50, 69, 80]])

# 先算出每一列的最小值和最大值，保持维度方便后续广播计算
column_mins = matrix.min(axis=0)
column_maxs = matrix.max(axis=0)

# 手动实现和np.interp一致的线性缩放逻辑，向量化计算
scaledMatrix = (matrix - column_mins) / (column_maxs - column_mins) * 2 - 1

小验证 #

比如看最后一列[0,0,0,0,80]，最小值是0，最大值是80，按照你的缩放逻辑，结果应该是[-1, -1, -1, -1, 1]，两种方案都能得到这个结果，和单向量缩放的逻辑完全匹配。

内容的提问来源于stack exchange，提问作者PlsWork