จะทำให้อาร์เรย์ NumPy เป็นปกติภายในช่วงที่กำหนดได้อย่างไร

หลังจากดำเนินการประมวลผลบางอย่างในอาร์เรย์เสียงหรือรูปภาพแล้วจำเป็นต้องทำให้เป็นมาตรฐานภายในช่วงก่อนจึงจะสามารถเขียนกลับไปยังไฟล์ได้ สามารถทำได้ดังนี้:

# 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)

มีฟังก์ชั่นที่ละเอียดและสะดวกน้อยกว่าในการทำเช่นนี้หรือไม่? matplotlib.colors.Normalize()ดูเหมือนจะไม่เกี่ยวข้องกัน

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

การใช้/=และ*=ช่วยให้คุณสามารถกำจัดอาร์เรย์ชั่วคราวระดับกลางซึ่งจะช่วยประหยัดหน่วยความจำบางส่วน การคูณมีค่าใช้จ่ายน้อยกว่าการหารดังนั้น

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

เร็วกว่าเล็กน้อย

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

เนื่องจากเราใช้วิธีการ numpy พื้นฐานที่นี่ฉันจึงคิดว่านี่เป็นวิธีการแก้ปัญหาที่มีประสิทธิภาพพอ ๆ กับที่สามารถทำได้

การดำเนินการในสถานที่ไม่เปลี่ยน dtype ของอาร์เรย์คอนเทนเนอร์ เนื่องจากค่าปกติที่ต้องการเป็นค่าลอยอาร์เรย์audioและimageอาร์เรย์จึงจำเป็นต้องมีประเภทจุดลอยตัวก่อนที่จะดำเนินการในสถานที่ หากพวกเขาไม่ได้อยู่ในจุดลอยตัว dtype astypeคุณจะต้องแปลงให้ใช้ ตัวอย่างเช่น,

image = image.astype('float64')

หากอาร์เรย์มีทั้งข้อมูลบวกและลบฉันจะใช้:

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

หากอาร์เรย์มีnanวิธีแก้ปัญหาหนึ่งวิธีคือลบออกเป็น:

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

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

อย่างไรก็ตามขึ้นอยู่กับบริบทที่คุณอาจต้องการปฏิบัติnanแตกต่างกัน เช่นแก้ไขค่าแทนที่ด้วยเช่น 0 หรือเพิ่มข้อผิดพลาด

สุดท้ายนี้ควรค่าแก่การกล่าวถึงแม้ว่าจะไม่ใช่คำถามของ OP ก็ตามมาตรฐาน :

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

คุณยังสามารถขายต่อโดยใช้sklearnไฟล์. ข้อดีคือคุณสามารถปรับค่าเบี่ยงเบนมาตรฐานให้เป็นปกติได้นอกเหนือจากการจัดกึ่งกลางข้อมูลและคุณสามารถทำได้บนแกนใดแกนหนึ่งตามคุณสมบัติหรือตามระเบียน

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

ข้อโต้แย้งคำหลักaxis, with_mean, with_stdมีอธิบายตนเองและมีการแสดงในสถานะเริ่มต้นของพวกเขา อาร์กิวเมนต์ทำการดำเนินการในสถานที่หากมีการตั้งค่าให้copy Falseเอกสารที่นี่ .

คุณสามารถใช้เวอร์ชัน "i" (เช่นเดียวกับ idiv, imul .. ) และมันก็ไม่ได้ดูแย่ไปสักครึ่ง:

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

สำหรับอีกกรณีหนึ่งคุณสามารถเขียนฟังก์ชันเพื่อทำให้อาร์เรย์ n มิติเป็นปกติโดย colums:

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

คุณกำลังพยายามปรับขนาดค่าต่ำสุดให้audioอยู่ระหว่าง -1 ถึง +1 และimageระหว่าง 0 ถึง 255

การใช้sklearn.preprocessing.minmax_scaleควรแก้ปัญหาของคุณได้อย่างง่ายดาย

เช่น:

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

และ

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

หมายเหตุ : เพื่อไม่ให้สับสนกับการดำเนินการที่ปรับขนาดบรรทัดฐาน (ความยาว) ของเวกเตอร์เป็นค่าหนึ่ง (โดยปกติคือ 1) ซึ่งมักเรียกกันทั่วไปว่า normalization

วิธีแก้ปัญหาง่ายๆคือการใช้เครื่องชั่งที่เสนอโดยไลบรารี 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)

ข้อผิดพลาด X_rec-X จะเป็นศูนย์ คุณสามารถปรับ feature_range ตามความต้องการของคุณหรือแม้กระทั่งใช้สเกลเลอร์มาตรฐาน sk.StandardScaler ()

ฉันลองทำตามสิ่งนี้และได้รับข้อผิดพลาด

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

numpyอาร์เรย์ผมพยายามที่จะปกติเป็นintegerอาร์เรย์ ดูเหมือนว่าพวกเขาจะเลิกใช้งานประเภทการแคสต์ในเวอร์ชัน> 1.10และคุณต้องใช้numpy.true_divide()เพื่อแก้ไขปัญหานั้น

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

imgเป็นPIL.Imageวัตถุ