Python:在 numpy 数组中居中功能

Question

我正在尝试使用以下形状规范化numpy数组中的某些值：

import numpy as np
X = np.random.rand(100, 20, 3)

该数据表示，20 个观测值中的每一个都有 100 个时间戳，其中每个观测值都有 3 个维度属性(x、y、z(。我想通过以下方式规范化 x、y、z 维度属性。对于每个维度，我想减去最小值，然后除以结果最大值(以"居中"维度的值(。

我尝试通过以下方式执行此操作：

# center all features
for i in range(3):
X[:][:][i] -= np.min(X[:][:][i])
X[:][:][i] /= np.max(X[:][:][i])

但是，这不会改变ith维度的所有值。

如何以这种方式居中我的要素？其他人可以提供的任何帮助将不胜感激！

Answer 1

X[:]是python语法，基本上可以浅拷贝列表中的每个元素。因此，您将矩阵复制两次，然后尝试按i进行索引。你需要X[:, :, i].有关数组多维索引的更多信息，请参阅 numpy 索引。

Answer 2

X -= np.amin(X, axis=(0, 1))
X /= np.amax(X, axis=(0, 1))

注意：根据numpy.amin()文档(与amax()类似(：

要操作的轴或轴。默认情况下，使用平展输入。如果这是整数元组，则在多个轴上选择最小值，而不是像以前那样选择单个轴或所有轴。

通过指定axis=(0, 1)，我要求numpy.amin()通过查看每个"深度"(第 3 轴(元素的所有行和列来找到最小值。

---

分步说明：

In [1]: import numpy as np
...: np.random.seed(0)
...: X = np.random.rand(2, 4, 3)
...: print("nOriginal X:n%s" % X)
...: xmin = np.amin(X, axis=(0, 1))
...: print("nxmin = %s" % xmin)
...: X -= xmin
...: print("nSubtracted X:n%s" % X)
...: xmax = np.amax(X, axis=(0, 1))
...: X /= xmax
...: print("nDivided X:n%s" % X)
...: 
...: 
Original X:
[[[0.5488135  0.71518937 0.60276338]
[0.54488318 0.4236548  0.64589411]
[0.43758721 0.891773   0.96366276]
[0.38344152 0.79172504 0.52889492]]
[[0.56804456 0.92559664 0.07103606]
[0.0871293  0.0202184  0.83261985]
[0.77815675 0.87001215 0.97861834]
[0.79915856 0.46147936 0.78052918]]]
xmin = [0.0871293  0.0202184  0.07103606]
Subtracted X:
[[[0.4616842  0.69497097 0.53172732]
[0.45775388 0.4034364  0.57485805]
[0.35045791 0.8715546  0.8926267 ]
[0.29631222 0.77150664 0.45785886]]
[[0.48091526 0.90537824 0.        ]
[0.         0.         0.76158379]
[0.69102745 0.84979375 0.90758228]
[0.71202926 0.44126096 0.70949312]]]
xmax = [0.71202926 0.90537824 0.90758228]
Divided X:
[[[0.64840622 0.76760291 0.5858723 ]
[0.64288633 0.44559984 0.63339497]
[0.49219594 0.96264143 0.98352151]
[0.41615174 0.85213738 0.50448193]]
[[0.67541502 1.         0.        ]
[0.         0.         0.8391347 ]
[0.97050428 0.93860633 1.        ]
[1.         0.48737748 0.78173972]]]