NumPy dizisi belirli bir aralıkta nasıl normalleştirilir?

Bir ses veya görüntü dizisi üzerinde bazı işlemler yaptıktan sonra, bir dosyaya geri yazılmadan önce bir aralık içinde normalleştirilmesi gerekir. Bu şu şekilde yapılabilir:

# 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)

Bunu yapmanın daha az ayrıntılı, kolaylık işlevi bir yolu var mı? matplotlib.colors.Normalize()ilişkili görünmüyor.

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

Kullanılması /=ve *=böylece bazı bellek tasarrufu, bir ara geçici diziyi ortadan kaldırmak için izin verir. Çarpma, bölmeden daha ucuzdur, bu nedenle

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

marjinal olarak daha hızlıdır

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

Burada temel uyuşturma yöntemlerini kullandığımız için, bunun olabildiğince verimli bir çözümle ilgili olduğunu düşünüyorum.

Yerinde işlemler, kapsayıcı dizisinin dtipini değiştirmez. İstenen normalleştirilmiş değerler yüzer olduğundan, yerinde işlemler gerçekleştirilmeden önce audiove imagedizilerinin kayan noktalı dtype'ye sahip olması gerekir. Zaten kayan noktalı dtype değilse, bunları kullanarak dönüştürmeniz gerekir astype. Örneğin,

image = image.astype('float64')

Dizi hem pozitif hem de negatif veriler içeriyorsa, şununla giderim:

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

Dizi içeriyorsa nan, bir çözüm bunları şu şekilde kaldırmak olabilir:

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

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

Bununla birlikte, bağlama bağlı olarak nanfarklı şekilde davranmak isteyebilirsiniz . Örneğin, değerin enterpolasyonunu yapın, örneğin 0 ile değiştirin veya bir hata oluşturun.

Son olarak, OP'nin sorusu olmasa da standardizasyondan bahsetmeye değer :

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

Ayrıca kullanarak yeniden ölçeklendirebilirsiniz sklearn. Avantajları, verileri ortalamaya ek olarak standart sapmayı normalleştirebilmeniz ve bunu her iki eksende, özelliklerle veya kayıtlarla yapabilmenizdir.

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

Anahtar kelime argümanlar axis, with_mean, with_stdkendini açıklayıcıdır ve varsayılan durumlarına gösterilmiştir. Bağımsız değişken copy, olarak ayarlanmışsa işlemi yerinde gerçekleştirir False. Belgeler burada .

"İ" (idiv, imul ..'deki gibi) sürümünü kullanabilirsiniz ve yarı kötü görünmüyor:

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

Diğer durum için, n boyutlu bir diziyi sütunlara göre normalleştirmek için bir işlev yazabilirsiniz:

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

audio-1 ile +1 ve image0 ile 255 arasındaki değerleri min-max ölçeklendirmeye çalışıyorsunuz .

Kullanmak sklearn.preprocessing.minmax_scale, probleminizi kolayca çözmelidir.

Örneğin:

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

ve

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

not : Bir vektörün normunu (uzunluğunu) belirli bir değere (genellikle 1) ölçekleyen işlemle karıştırılmamalıdır , bu aynı zamanda genellikle normalleştirme olarak da adlandırılır.

Sklearn.preprocessing kitaplığı tarafından sunulan ölçekleyicileri kullanmak basit bir çözümdür.

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)

X_rec-X hatası sıfır olacaktır. Özellik aralığını ihtiyaçlarınıza göre ayarlayabilir veya hatta standart bir ölçekleyici skaler kullanabilirsiniz.

Aşağıdaki çalıştı bu ve hata var

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

numpyBen normalize etmeye çalışıyordu dizi bir oldu integerdizi. Görünüşe göre sürümlerde tür atamasını kaldırmışlar 1.10ve bunu numpy.true_divide()çözmek için kullanmanız gerekiyor.

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

imgbir PIL.Imagenesneydi.