Bagaimana cara menormalkan array NumPy dalam rentang tertentu?

Setelah melakukan beberapa pemrosesan pada array audio atau gambar, perlu dinormalisasi dalam rentang sebelum dapat ditulis kembali ke file. Ini bisa dilakukan seperti ini:

# 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)

Apakah ada cara fungsi kenyamanan yang kurang verbose untuk melakukan ini? matplotlib.colors.Normalize()sepertinya tidak berhubungan.

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

Menggunakan /=dan *=memungkinkan Anda untuk menghilangkan array sementara menengah, sehingga menghemat beberapa memori. Penggandaan lebih murah daripada pembagian, jadi

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

sedikit lebih cepat dari

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

Karena kita menggunakan metode numpy dasar di sini, saya pikir ini adalah tentang solusi yang efisien dalam numpy.

Operasi di tempat tidak mengubah tipe array wadah. Karena nilai-nilai yang dinormalisasi yang diinginkan adalah float, audiodan imagearray harus memiliki tipe titik titik mengambang sebelum operasi di tempat dilakukan. Jika belum menggunakan tipe floating-point, Anda harus mengonversinya menggunakan astype. Sebagai contoh,

image = image.astype('float64')

Jika array berisi data positif dan negatif, saya akan pergi dengan:

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

Jika array berisi nan, satu solusi bisa dengan menghapusnya sebagai:

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

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

Namun, tergantung pada konteksnya Anda mungkin ingin memperlakukan secara nanberbeda. Misalnya menginterpolasi nilai, mengganti dengan misalnya 0, atau meningkatkan kesalahan.

Akhirnya, layak disebut bahkan jika itu bukan pertanyaan OP, standardisasi :

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

Anda juga dapat mengubah skala menggunakan sklearn. Keuntungannya adalah Anda dapat menyesuaikan normalisasi standar deviasi, di samping mean-centering data, dan Anda dapat melakukan ini pada sumbu, fitur, atau catatan.

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

Argumen kata kunci axis, with_mean, with_stdjelas diri, dan ditampilkan dalam keadaan standar. Argumen copymelakukan operasi di tempat jika diatur ke False. Dokumentasi di sini .

Anda dapat menggunakan versi "i" (seperti pada idiv, imul ..), dan tidak terlihat setengah buruk:

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

Untuk kasus lain, Anda dapat menulis fungsi untuk menormalkan array n-dimensi dengan colum:

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

Anda mencoba skala minimum nilai audioantara -1 dan +1 dan imageantara 0 dan 255.

Menggunakan sklearn.preprocessing.minmax_scale, harus dengan mudah menyelesaikan masalah Anda.

misalnya:

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

dan

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

Catatan : Tidak perlu bingung dengan operasi yang menskala norma (panjang) vektor ke nilai tertentu (biasanya 1), yang juga biasa disebut sebagai normalisasi.

Solusi sederhana adalah menggunakan scaler yang ditawarkan oleh perpustakaan sklearn.preprocessing.

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)

Kesalahan X_rec-X akan menjadi nol. Anda dapat menyesuaikan feature_range untuk kebutuhan Anda, atau bahkan menggunakan skaler standar sk.StandardScaler ()

Saya mencoba mengikuti ini , dan mendapat kesalahan

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

The numpyArray saya mencoba untuk menormalkan adalah integerarray yang. Tampaknya mereka menggunakan tipe casting di versi> 1.10, dan Anda harus menggunakannya numpy.true_divide()untuk menyelesaikannya.

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

imgadalah sebuah PIL.Imageobjek.