动态规范化 2D numpy 数组

Question

我有一个形状为 (100000, 1024) 的二维 numpy 数组“信号”。每行包含信号幅度的轨迹，我想将其归一化为在 0-1 范围内。

每个信号都有不同的幅度，所以我不能只除以一个公因数，所以我想知道是否有办法对每个信号进行归一化，使它们中的每个值都在 0-1 之间？

假设信号看起来像 [[0,1,2,3,5,8,2,1],[0,2,5,10,7,4,2,1]]我希望它们成为 [[0.125,0.25,0.375,0.625,1,0.25,0.125],[0,0.2,0.5,0.7,0.4,0.2,0.1]].

有没有办法不用遍历所有 100,000 个信号就可以做到这一点，因为这肯定会很慢？

谢谢！

Answer 1

简单的做法是生成一个新的 numpy 数组，其中最大值按轴并除以它：

import numpy as np

a = np.array([[0,1,2,3,5,8,2,1],[0,2,5,10,7,4,2,1]])

b = np.max(a, axis = 1)

print(a / b[:,np.newaxis])

输出：

[[0.    0.125 0.25  0.375 0.625 1.    0.25  0.125]
 [0.    0.2   0.5   1.    0.7   0.4   0.2   0.1  ]]

Answer 2

添加一点基准以显示两种解决方案之间的性能差异有多大：

import numpy as np
import timeit

arr = np.arange(1024).reshape(128,8)

def using_list_comp():
    return np.array([s/np.max(s) for s in arr])

def using_vectorized_max_div():
    return arr/arr.max(axis=1)[:, np.newaxis]

result1 = using_list_comp()
result2 = using_vectorized_max_div()

print("Results equal:", (result1==result2).all())

time1 = timeit.timeit('using_list_comp()', globals=globals(), number=1000)
time2 = timeit.timeit('using_vectorized_max_div()', globals=globals(), number=1000)

print(time1)
print(time2)
print(time1/time2)

在我的机器上输出是：

Results equal: True
0.9873569
0.010177099999999939
97.01750989967731

几乎是 100 倍 的差异！

Answer 3

另一个解决方案是使用 normalize:

from sklearn.preprocessing import normalize
data = [[0,1,2,3,5,8,2,1],[0,2,5,10,7,4,2,1]]
normalize(data, axis=1, norm='max')

结果：

array([[0.   , 0.125, 0.25 , 0.375, 0.625, 1.   , 0.25 , 0.125],
       [0.   , 0.2  , 0.5  , 1.   , 0.7  , 0.4  , 0.2  , 0.1  ]])

请注意 norm='max' 参数。默认值为 'l2'.

动态规范化 2D numpy 数组

Dynamically normalise 2D numpy array

python

arrays

numpy

normalization