NumPy에서 배열을 정규화하는 방법은 무엇입니까?

하나의 NumPy 배열의 표준을 원합니다. 더 구체적으로, 나는이 기능의 동등한 버전을 찾고 있습니다.

def normalize(v):
    norm = np.linalg.norm(v)
    if norm == 0: 
       return v
    return v / norm

skearn또는에 그런 것이 numpy있습니까?

이 함수는 v벡터가 0 인 상황에서 작동합니다 .

scikit-learn을 사용하는 경우 다음을 사용할 수 있습니다 sklearn.preprocessing.normalize.

import numpy as np
from sklearn.preprocessing import normalize

x = np.random.rand(1000)*10
norm1 = x / np.linalg.norm(x)
norm2 = normalize(x[:,np.newaxis], axis=0).ravel()
print np.all(norm1 == norm2)
# True

그러한 기능이 포함 된 배터리의 일부라면 좋았다는 데 동의합니다. 그러나 내가 아는 한 그렇지 않습니다. 다음은 임의의 축 버전이며 최적의 성능을 제공합니다.

import numpy as np

def normalized(a, axis=-1, order=2):
    l2 = np.atleast_1d(np.linalg.norm(a, order, axis))
    l2[l2==0] = 1
    return a / np.expand_dims(l2, axis)

A = np.random.randn(3,3,3)
print(normalized(A,0))
print(normalized(A,1))
print(normalized(A,2))

print(normalized(np.arange(3)[:,None]))
print(normalized(np.arange(3)))

L1 규범을 얻도록 ord를 지정할 수 있습니다. 0 나누기를 피하기 위해 eps를 사용하지만 그다지 좋지는 않습니다.

def normalize(v):
    norm=np.linalg.norm(v, ord=1)
    if norm==0:
        norm=np.finfo(v.dtype).eps
    return v/norm

이것은 또한 당신을 위해 일할 수 있습니다

import numpy as np
normalized_v = v / np.sqrt(np.sum(v**2))

v길이가 0이면 실패합니다 .

다차원 데이터가 있고 각 축을 최대 또는 합계로 정규화하려는 경우 :

def normalize(_d, to_sum=True, copy=True):
    # d is a (n x dimension) np array
    d = _d if not copy else np.copy(_d)
    d -= np.min(d, axis=0)
    d /= (np.sum(d, axis=0) if to_sum else np.ptp(d, axis=0))
    return d

numpys 피크 투 피크 기능 을 사용 합니다.

a = np.random.random((5, 3))

b = normalize(a, copy=False)
b.sum(axis=0) # array([1., 1., 1.]), the rows sum to 1

c = normalize(a, to_sum=False, copy=False)
c.max(axis=0) # array([1., 1., 1.]), the max of each row is 1

Christoph Gohlke unit_vector()의 유명한 변환 모듈 에서 벡터를 정규화 하는 기능도 있습니다 .

import transformations as trafo
import numpy as np

data = np.array([[1.0, 1.0, 0.0],
                 [1.0, 1.0, 1.0],
                 [1.0, 2.0, 3.0]])

print(trafo.unit_vector(data, axis=1))

sci-kit learn을 언급 했으므로 다른 솔루션을 공유하고 싶습니다.

공상 과학 배우기 MinMaxScaler

sci-kit learn MinMaxScaler에는 값 범위를 원하는대로 사용자 지정할 수 있는 API 가 있습니다.

또한 우리를위한 NaN 문제도 다룹니다.

NaN은 결 측값으로 취급됩니다. 적합하지 않고 변환 상태로 유지됩니다. ... 참조 [1] 참조

코드 샘플

코드는 간단합니다.

# Let's say X_train is your input dataframe
from sklearn.preprocessing import MinMaxScaler
# call MinMaxScaler object
min_max_scaler = MinMaxScaler()
# feed in a numpy array
X_train_norm = min_max_scaler.fit_transform(X_train.values)
# wrap it up if you need a dataframe
df = pd.DataFrame(X_train_norm)

• [1] sklearn.preprocessing.MinMaxScaler

없이 sklearn그냥 사용 numpy합니다. 함수를 정의하십시오.

행이 변수 이고 열이 샘플 ( axis= 1) 이라고 가정합니다 .

import numpy as np

# Example array
X = np.array([[1,2,3],[4,5,6]])

def stdmtx(X):
    means = X.mean(axis =1)
    stds = X.std(axis= 1, ddof=1)
    X= X - means[:, np.newaxis]
    X= X / stds[:, np.newaxis]
    return np.nan_to_num(X)

산출:

X
array([[1, 2, 3],
       [4, 5, 6]])

stdmtx(X)
array([[-1.,  0.,  1.],
       [-1.,  0.,  1.]])

3D 텐서에 저장된 n 차원 피처 벡터를 정규화하려면 PyTorch를 사용할 수도 있습니다.

import numpy as np
from torch import FloatTensor
from torch.nn.functional import normalize

vecs = np.random.rand(3, 16, 16, 16)
norm_vecs = normalize(FloatTensor(vecs), dim=0, eps=1e-16).numpy()

3D 벡터로 작업하는 경우 toolbelt vg를 사용하여 간결하게 수행 할 수 있습니다 . numpy 위에 가벼운 레이어이며 단일 값과 누적 벡터를 지원합니다.

import numpy as np
import vg

x = np.random.rand(1000)*10
norm1 = x / np.linalg.norm(x)
norm2 = vg.normalize(x)
print np.all(norm1 == norm2)
# True

마지막 시작에서 라이브러리를 만들었습니다 .NumPy에서 너무 장황한 간단한 아이디어와 같은 용도로 동기가 부여되었습니다.

최대한의 정밀도가 필요하지 않으면 기능을 다음과 같이 줄일 수 있습니다.

v_norm = v / (np.linalg.norm(v) + 1e-16)

다차원 배열로 작업하면 빠른 솔루션이 가능합니다.

우리는 2D 배열을 가지고 있는데, 마지막 축으로 정규화하고 일부 행은 0을 갖습니다.

import numpy as np
arr = np.array([
    [1, 2, 3], 
    [0, 0, 0],
    [5, 6, 7]
], dtype=np.float)

lengths = np.linalg.norm(arr, axis=-1)
print(lengths)  # [ 3.74165739  0.         10.48808848]
arr[lengths > 0] = arr[lengths > 0] / lengths[lengths > 0][:, np.newaxis]
print(arr)
# [[0.26726124 0.53452248 0.80178373]
# [0.         0.         0.        ]
# [0.47673129 0.57207755 0.66742381]]