Wie normalisiere ich ein NumPy-Array auf einen bestimmten Bereich?

Nach einigen Verarbeitungen an einem Audio- oder Bildarray muss es innerhalb eines Bereichs normalisiert werden, bevor es in eine Datei zurückgeschrieben werden kann. Dies kann folgendermaßen geschehen:

# Normalize audio channels to between -1.0 and +1.0
audio[:,0] = audio[:,0]/abs(audio[:,0]).max()
audio[:,1] = audio[:,1]/abs(audio[:,1]).max()

# Normalize image to between 0 and 255
image = image/(image.max()/255.0)

Gibt es eine weniger ausführliche und bequeme Möglichkeit, dies zu tun? matplotlib.colors.Normalize()scheint nicht verwandt zu sein.

audio /= np.max(np.abs(audio),axis=0)
image *= (255.0/image.max())

Mit /=und *=können Sie ein temporäres Zwischenarray entfernen und so Speicherplatz sparen. Multiplikation ist also billiger als Division

image *= 255.0/image.max()    # Uses 1 division and image.size multiplications

ist geringfügig schneller als

image /= image.max()/255.0    # Uses 1+image.size divisions

Da wir hier grundlegende Numpy-Methoden verwenden, denke ich, dass dies eine möglichst effiziente Lösung für Numpy ist.

In-Place-Vorgänge ändern den d-Typ des Container-Arrays nicht. Da die gewünschten normalisierten Werte Gleitkommazahlen sind, müssen die Arrays audiound den imageGleitkomma-Typ Gleitkomma haben, bevor die In-Place-Operationen ausgeführt werden. Wenn sie noch nicht vom Gleitkomma-Typ sind, müssen Sie sie mit konvertieren astype. Beispielsweise,

image = image.astype('float64')

Wenn das Array sowohl positive als auch negative Daten enthält, würde ich gehen mit:

import numpy as np

a = np.random.rand(3,2)

# Normalised [0,1]
b = (a - np.min(a))/np.ptp(a)

# Normalised [0,255] as integer: don't forget the parenthesis before astype(int)
c = (255*(a - np.min(a))/np.ptp(a)).astype(int)        

# Normalised [-1,1]
d = 2.*(a - np.min(a))/np.ptp(a)-1

Wenn das Array enthält nan, könnte eine Lösung darin bestehen, sie einfach wie folgt zu entfernen:

def nan_ptp(a):
    return np.ptp(a[np.isfinite(a)])

b = (a - np.nanmin(a))/nan_ptp(a)

Je nach Kontext möchten Sie jedoch möglicherweise nanunterschiedlich behandeln . ZB interpolieren Sie den Wert, ersetzen Sie ihn durch zB 0 oder lösen Sie einen Fehler aus.

Erwähnenswert, auch wenn es nicht die Frage von OP ist, Standardisierung :

e = (a - np.mean(a)) / np.std(a)

Sie können auch mit neu skalieren sklearn. Die Vorteile bestehen darin, dass Sie die Standardabweichung zusätzlich zur Mittelwertzentrierung der Daten normalisieren können und dies entweder auf der Achse, nach Features oder nach Datensätzen.

from sklearn.preprocessing import scale
X = scale( X, axis=0, with_mean=True, with_std=True, copy=True )

Die Keyword - Argumente axis, with_mean, with_stdsind selbsterklärend und werden in ihrem Standardzustand gezeigt. Das Argument copyführt die Operation direkt aus, wenn es auf gesetzt ist False. Dokumentation hier .

Sie können die Version "i" (wie in idiv, imul ..) verwenden, und sie sieht nicht schlecht aus:

image /= (image.max()/255.0)

Für den anderen Fall können Sie eine Funktion schreiben, um ein n-dimensionales Array durch Spalten zu normalisieren:

def normalize_columns(arr):
    rows, cols = arr.shape
    for col in xrange(cols):
        arr[:,col] /= abs(arr[:,col]).max()

Sie versuchen, die Werte audiozwischen -1 und +1 sowie imagezwischen 0 und 255 min-max zu skalieren .

Verwenden sklearn.preprocessing.minmax_scale, sollte Ihr Problem leicht lösen.

z.B:

audio_scaled = minmax_scale(audio, feature_range=(-1,1))

und

shape = image.shape
image_scaled = minmax_scale(image.ravel(), feature_range=(0,255)).reshape(shape)

Hinweis : Nicht zu verwechseln mit der Operation, bei der die Norm (Länge) eines Vektors auf einen bestimmten Wert (normalerweise 1) skaliert wird , der üblicherweise auch als Normalisierung bezeichnet wird.

Eine einfache Lösung ist die Verwendung der Skalierer, die von der Bibliothek sklearn.preprocessing angeboten werden.

scaler = sk.MinMaxScaler(feature_range=(0, 250))
scaler = scaler.fit(X)
X_scaled = scaler.transform(X)
# Checking reconstruction
X_rec = scaler.inverse_transform(X_scaled)

Der Fehler X_rec-X ist Null. Sie können den feature_range an Ihre Bedürfnisse anpassen oder sogar einen Standard-Scaler sk.StandardScaler () verwenden.

Ich habe versucht , folgende diese , und bekam den Fehler

TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''

Das numpyArray, das ich zu normalisieren versuchte, war ein integerArray. Es scheint, dass sie das Typ-Casting in Versionen> veraltet 1.10haben, und Sie müssen es verwenden numpy.true_divide(), um das zu beheben.

arr = np.array(img)
arr = np.true_divide(arr,[255.0],out=None)

imgwar ein PIL.ImageObjekt.