我想将NumPy数组转换为单位向量。更具体地说，我正在寻找这个归一化函数的等效版本:
def normalize(v):
norm = np.linalg.norm(v)
if norm == 0:
return v
return v / norm
这个函数处理向量v的范数为0的情况。
在sklearn或numpy中是否提供了类似的函数?
当前回答
对于2D数组，可以使用下面的一行代码跨行规范化。要跨列归一化，只需设置axis=0。
a / np.linalg.norm(a, axis=1, keepdims=True)
其他回答
如果你有多维数据，并希望每个轴都归一化到最大值或总和:
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
使用numpys的峰对峰函数。
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
如果你不需要最大的精度，你的函数可以简化为:
v_norm = v / (np.linalg.norm(v) + 1e-16)
为了避免零除法，我用eps，但这可能不太好。
def normalize(v):
norm=np.linalg.norm(v)
if norm==0:
norm=np.finfo(v.dtype).eps
return v/norm
如果你使用多维数组，快速解决是可能的。
假设我们有一个二维数组，我们想用最后一个轴归一化，而有些行有零范数。
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]]
这可能对你也有用
import numpy as np
normalized_v = v / np.sqrt(np.sum(v**2))
但当v的长度为0时失效。
在这种情况下，引入一个小常数来防止零除法可以解决这个问题。
正如评论中所建议的，人们也可以使用
v/np.linalg.norm(v)
