归一化包含在数组中的向量

Question

我有一个名为 X 的数组，其中每个元素本身都是一个二维向量。这个数组的对角线只填充了零向量。 现在我需要标准化这个数组中的每个向量，而不改变它的结构。

首先，我尝试计算每个向量的范数并将其放入一个名为 N 的数组中。之后，我想将 X 的每个元素除以 N 的每个元素。 我遇到了两个问题：

1) N 的许多条目为零，当我尝试除以它们时，这显然是一个问题。

2) 数组的形状不匹配，因此 np.divide() 无法按预期工作。

除此之外，我不认为像这样计算 N 是个好主意，因为以后我希望能够对两个以上的向量做同样的事情。

import numpy as np

# Example array
X = np.array([[[0, 0], [1, -1]], [[-1, 1], [0, 0]]])
# Array containing the norms
N = np.vstack((np.linalg.norm(X[0], axis=1), np.linalg.norm(X[1], 
axis=1)))
R = np.divide(X, N)

我希望输出如下所示：

R = np.array([[[0, 0], [0.70710678, -0.70710678]], [[-0.70710678, 0.70710678], [0, 0]]])

Answer 1

您不需要使用sklearn。只需定义一个函数，然后使用列表推导：

假设 X 的第 0 维等于您拥有的二维数组的数量，请使用：

import numpy as np

# Example array
X = np.array([[[0, 0], [1, -1]], [[-1, 1], [0, 0]]])

def stdmtx(X):
    X= X - X.mean(axis =1)[:, np.newaxis]
    X= X / X.std(axis= 1, ddof=1)[:, np.newaxis]
    return np.nan_to_num(X)

R = np.array([stdmtx(X[i,:,:]) for i in range(X.shape[0])])

想要的输出R:

array([[[ 0.        ,  0.        ],
        [ 0.70710678, -0.70710678]],

       [[-0.70710678,  0.70710678],
        [ 0.        ,  0.        ]]])