如何将Numpy数组归一化至1到10的数值范围？

你手里的这个NumPy数组：

import numpy as np
arr = np.array([10, 30, 16, 18, 24, 18, 30, 30, 21, 7, 15, 14, 24, 27, 14, 16, 30, 12, 18])

要归一化到1-10的范围其实很简单，只需要把通用归一化公式调整成目标区间的版本就行。

核心公式推导 #

通用的归一化到任意区间[target_min, target_max]的公式是：

归一化后的值 = ((原数组 - 原数组最小值) / (原数组最大值 - 原数组最小值)) * (target_max - target_min) + target_min

针对你的需求，target_min=1，target_max=10，代入后就得到适配1-10范围的计算式。

方法一：手动计算（最简最快，无需额外库） #

这是最直接的方式，不需要导入其他工具包，几行代码就能搞定：

# 先获取原数组的最值
min_val = arr.min()
max_val = arr.max()

# 应用公式完成归一化
normalized_arr = ((arr - min_val) / (max_val - min_val)) * 9 + 1

这样处理后，原数组里的最小值7会被映射到1，最大值30会被映射到10，所有中间值都会按比例缩放到1-10之间。

方法二：用sklearn的MinMaxScaler（适合机器学习流水线） #

如果你的场景是在机器学习工作流里，用sklearn的工具会更规范：

from sklearn.preprocessing import MinMaxScaler

# 初始化缩放器，指定目标范围
scaler = MinMaxScaler(feature_range=(1, 10))
# 注意：MinMaxScaler要求输入是二维数组，所以先reshape再转换，最后转回一维
normalized_arr = scaler.fit_transform(arr.reshape(-1, 1)).flatten()

两种方法都能得到你想要的结果，手动计算的方式在速度和简洁性上更胜一筹，适合快速处理单个数组；sklearn的方式则更适合批量处理或者整合到复杂的数据分析流程中。

内容的提问来源于stack exchange，提问作者Aventinus