【神经网络】如何对数组横向进行标准化

如果要对数组按行进行Z-score标准化（0-1标准化）

最近在实现数据的标准化时，发生了很难按行进行标准化的情况：

问题

      1、按照普通的写法很容易发生如下的情况

import numpy as np

A = np.array([[1,2,3], [4,5,6], [7,8,9]])
print(A.mean(axis=1))
print(A-np.mean(A, axis=1))

[2. 5. 8.]
[[-1. -3. -5.]
 [ 2.  0. -2.]
 [ 5.  3.  1.]]

均值虽是按行求得，最后得到的结果是个行向量，但是在减的过程中，python自动将其填充为多维矩阵进行相减，最后无法求得正确结果。

      2、尝试将均值转置为列向量进行相减，结果依旧如上所示。

      3、对每一行单独处理

mean=A.mean(axis=1)
for k in range(A.shape[1]):
    A[:,k]=A[:,k]-mean

      这样的方法太过复杂，Python中知否有直接就能进行计算的方法？

解决方法

       下面的每个方法通过在平均向量中添加维度，使其成为4 x 1数组，然后NumPy的广播负责其余的操作。每个方法都会创建一个平均的视图，而不是深刻的副本。

1、使用none

import numpy as np

A = np.array([[1,2,3], [4,5,6], [7,8,9]])
# print(A.mean(axis=1))
# print(A-np.mean(A, axis=1))
mean = A.mean(axis=1)
print(mean[:, None])
print(A - mean[:, None])

[[2.]
 [5.]
 [8.]]
[[-1.  0.  1.]
 [-1.  0.  1.]
 [-1.  0.  1.]]

2、使用numpy.newaxis来对数组的维度进行拓展

import numpy as np

A = np.array([[1,2,3], [4,5,6], [7,8,9]])
# print(A.mean(axis=1))
# print(A-np.mean(A, axis=1))
mean = A.mean(axis=1)
# print(mean[:, None])
# print(A - mean[:, None])
print(mean[:, np.newaxis])
print( A - mean[:, np.newaxis])

[[2.]
 [5.]
 [8.]]
[[-1.  0.  1.]
 [-1.  0.  1.]
 [-1.  0.  1.]]

3.使用ndarray.reshape，mean.reshape((mean.shape[0]), 1)将

A = np.array([[1,2,3], [4,5,6], [7,8,9]])
print(A.mean(axis=1))
print(A-np.mean(A, axis=1))
mean = A.mean(axis=1)
# print(mean[:, np.newaxis])
# print(mean[:, None])
# print(A - mean[:, None])
print(mean.reshape((mean.shape[0]), 1))
print(A - mean.reshape((mean.shape[0]), 1))

也可以直接使用ndarray.shape更改平均形状

 mean.shape = (mean.shape[0], 1)

最后得到的结果都是一样的

[[2.]
 [5.]
 [8.]]
[[-1.  0.  1.]
 [-1.  0.  1.]
 [-1.  0.  1.]]