遍历数组的列以标准化数据

Question

所以我编写了一个函数来标准化我的数据，但我无法让它工作。我想遍历我的数据数组并将其标准化

这是我的功能

我已经尝试过转置我的 arr 但它仍然不起作用？

def Scaling(arr,data):    
    scaled=[[]]   
    for a in arr.T:
        scaled = ((a-data.mean())/(data.std()))
        scaled = np.asarray(scaled)
    return scaled

当我运行我的代码时，我只得到一个 1D 数组而不是 10D 作为输出。

Answer 1

因为data.mean() 和data.std() 是聚合常量或标量，请考虑在不使用任何for 循环的情况下直接 对整个数组运行所需的算术运算。每个常量将在向量化操作中对数组的每一列进行操作：

def Scaling(arr,data):    
    return (arr.T-data.mean())/(data.std())

您当前的for 循环仅输出循环的最后一个数组分配。您初始化一个空的嵌套列表，但永远不要附加到它。事实上，您在每次迭代时重新分配和重新定义 scaled 到一个数组。理想情况下，您将数组附加到集合以在循环外连接在一起。尽管如此，简单的矩阵代数不需要这种类型的运算。

---

为了演示随机的种子数据（可以使用 OP 的实际数据进行修改），请参见下面的夸张的顺序输入数组以显示最终计算：

import numpy as np

np.random.seed(12919)
data = np.arange(10)
arr = np.concatenate([np.ones((5, 1)),
                      np.ones((5, 1))+1,
                      np.ones((5, 1))+2,
                      np.ones((5, 1))+3,
                      np.ones((5, 1))+4], axis=1)

def Scaling(arr,data):    
    return (arr.T-data.mean())/(data.std())

new_arr = Scaling(arr, data)

print(arr)
# [[1. 2. 3. 4. 5.]
#  [1. 2. 3. 4. 5.]
#  [1. 2. 3. 4. 5.]
#  [1. 2. 3. 4. 5.]
#  [1. 2. 3. 4. 5.]]

print(new_arr)
# [[-1.21854359 -1.21854359 -1.21854359 -1.21854359 -1.21854359]
#  [-0.87038828 -0.87038828 -0.87038828 -0.87038828 -0.87038828]
#  [-0.52223297 -0.52223297 -0.52223297 -0.52223297 -0.52223297]
#  [-0.17407766 -0.17407766 -0.17407766 -0.17407766 -0.17407766]
#  [ 0.17407766  0.17407766  0.17407766  0.17407766  0.17407766]]

Pyfiddle demo（点击顶部的运行以在右侧输出）