分配给数组更改dtype

Question

我有一个多维数组，其中包含灰度整数值，需要将其标准化为0-1范围。 更确切地说，所讨论的多维数组是这样一个数组，其中每个元素都包含代表特定图像的矩阵，而每个矩阵（图像）都包含图像的像素，这些像素的整数值在0-255之间。

这是归一化功能：

def normalize(x, mmin=0.0, mmax=255.0):
    x = (x - mmin )/(mmax - mmin + 10**(-5))

    return x

右：在主模块中，我以这种方式应用该功能：

trainingSet_Images = myUtils.normalize(trainingSet_Images)

结果正确地是带有浮点值的矩阵数组。

错误：但是以这种方式应用normalize()函数：

for i in range(len(trainingSet_Images)):
   trainingSet_Images[i] = myUtils.normalize(trainingSet_Images[i])

trainingSet_Images 的所有元素都是具有零值的整数矩阵。

Python似乎记得矩阵的原始类型-但是为什么第一种进行赋值的方法起作用而第二种却不起作用呢？

Answer 1

这是因为通过像第二种方法一样分配给数组，执行规范化后的结果dtype（将是float）被向下转换为数组{{1} }，因此它会充斥。

在文档的Assigning values to indexed arrays部分中提到了这一点，并指出：

请注意，如果将较高的类型分配给较低的类型（例如，将浮点数分配给整数），甚至将异常（将复杂的值分配给浮点数或整数），分配都可能导致更改

---

以下是从应用dtpye函数的结果中分配回来的示例：

normalize

在第二种方法中：

a = np.array([[255,255,255],[0,255,255]])

normalize(a)
array([[0.99999996, 0.99999996, 0.99999996],
       [0.        , 0.99999996, 0.99999996]])

如果您这样做，同样适用：

normalize(a[1])
# array([0.        , 0.99999996, 0.99999996])

a[1] = normalize(a[1])

print(a)
array([[255, 255, 255],
       [  0,   0,   0]])