对音频或图像数组进行一些处理后，需要在一定范围内对其进行归一化，然后才能将其写回文件。可以这样做：
# 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)
有没有更简洁、方便的函数方法来做到这一点？ matplotlib.colors.Normalize() 好像没有关系。
【问题讨论】：
标签： python arrays numpy scipy convenience-methods
audio /= np.max(np.abs(audio),axis=0)
image *= (255.0/image.max())
使用/= 和*= 可以消除中间临时数组，从而节省一些内存。乘法比除法便宜，所以
image *= 255.0/image.max() # Uses 1 division and image.size multiplications
略快于
image /= image.max()/255.0 # Uses 1+image.size divisions
由于我们在这里使用基本的 numpy 方法，我认为这在 numpy 中是尽可能高效的解决方案。
就地操作不会更改容器数组的 dtype。由于所需的标准化值是浮点数，audio 和image 数组需要在执行就地操作之前具有浮点数据类型。
如果它们还不是浮点 dtype，则需要使用 astype 转换它们。例如，
image = image.astype('float64')
【讨论】：
如果数组同时包含正数据和负数据，我会选择：
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
如果数组包含nan，一种解决方案可能是将它们删除为：
def nan_ptp(a):
return np.ptp(a[np.isfinite(a)])
b = (a - np.nanmin(a))/nan_ptp(a)
但是，根据上下文，您可能希望以不同的方式对待 nan。例如。插入值，用例如替换0，或引发错误。
最后，值得一提的是，即使不是 OP 的问题，standardization：
e = (a - np.mean(a)) / np.std(a)
【讨论】：
scipy.stats.zscore.
f = a / np.max(np.abs(a))... 除非整个数组全为零（避免 DivideByZero）。
numpy.ptp() 如果是范围则返回 0，但如果数组中有一个 nan，则返回 nan。但是，如果范围为 0，则未定义归一化。当我们尝试除以 0 时，这会引发错误。
您还可以使用sklearn 重新调整大小。优点是除了对数据进行均值居中之外，您还可以调整标准偏差的标准化，并且您可以在任一轴上、按特征或按记录进行此操作。
from sklearn.preprocessing import scale
X = scale( X, axis=0, with_mean=True, with_std=True, copy=True )
关键字参数axis、with_mean、with_std 是不言自明的，并以其默认状态显示。如果参数copy 设置为False，则它会就地执行操作。文档here。
【讨论】：
您正在尝试将 audio 的值在 -1 和 +1 之间以及 image 的值在 0 和 255 之间缩放。
使用sklearn.preprocessing.minmax_scale，应该可以轻松解决您的问题。
例如：
audio_scaled = minmax_scale(audio, feature_range=(-1,1))
和
shape = image.shape
image_scaled = minmax_scale(image.ravel(), feature_range=(0,255)).reshape(shape)
注意：不要与将向量的norm（长度）缩放到某个值（通常为 1）的操作相混淆，这通常也称为归一化。
【讨论】：
您可以使用“i”（如 idiv、imul..）版本，而且看起来还不错：
image /= (image.max()/255.0)
对于另一种情况，您可以编写一个函数来按列对 n 维数组进行归一化：
def normalize_columns(arr):
rows, cols = arr.shape
for col in xrange(cols):
arr[:,col] /= abs(arr[:,col]).max()
【讨论】：
/= 而不是= .. / ..
一个简单的解决方案是使用 sklearn.preprocessing 库提供的缩放器。
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)
错误 X_rec-X 将为零。您可以根据需要调整 feature_range，甚至使用标准缩放器 sk.StandardScaler()
【讨论】：
我尝试关注this，得到了错误
TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''
我试图规范化的numpy 数组是integer 数组。似乎他们在版本 > 1.10 中弃用了类型转换，您必须使用 numpy.true_divide() 来解决这个问题。
arr = np.array(img)
arr = np.true_divide(arr,[255.0],out=None)
img 是一个 PIL.Image 对象。
【讨论】：
This answer 到 similar question 为我解决了这个问题
np.interp(a, (a.min(), a.max()), (-1, +1))
【讨论】：