Numpy数组按行或按列归一化

给定一个数组，将各列（行）归一化（缩放到 [0,1] ）

方法一

import numpy as np

x = np.array([[1000,  10,   0.5],
              [ 765,   5,  0.35],
              [ 800,   7,  0.09]])

x_normed = x / x.max(axis=0)

print(x_normed)
# [[ 1.     1.     1.   ]
#  [ 0.765  0.5    0.7  ]
#  [ 0.8    0.7    0.18 ]]

x.max(axis=0) 在第0维上取最大值（即每行），返回一个行向量（ncols,），包含每列的最大值，然后可以用x来除以这个向量，这样每一列的最大值就会被缩放到1。

如何确定axis的值，只需要记住axis赋值的维度是要被压缩的维度，如果要得到各列的最大值，需要压缩行这个维度。

方法二

from sklearn.preprocessing import normalize
data = np.array([
    [1000, 10, 0.5],
    [765, 5, 0.35],
    [800, 7, 0.09], ])
data = normalize(data, axis=0, norm='max')
print(data)
>>[[ 1.     1.     1.   ]
[ 0.765  0.5    0.7  ]
[ 0.8    0.7    0.18 ]]

 使用 sklearn.preprocessing

 

参考  https://stackoverflow.com/questions/29661574/normalize-numpy-array-columns-in-python