我使用以下方法缩放0和1之间的n维数组：
x_scaled = (x-np.amin(x))/(np.amax(x)-np.amin(x))
但是对于大型数据集而言，它的速度非常慢。我需要处理数千个相对较大的数组。在python中有更快的方法吗？
编辑：我的阵列形状（24,24,24,9）。对于scikit中的MinMax缩放器，输入数组必须具有某种形状，而我不能使用它。在文档中说：
Parameters:
X : array-like, shape [n_samples, n_features]
答案 0 :(得分：1)
使用ptp（即max-min）是有风险的，因为理论上它可以为0，从而导致异常。使用minmax_scale更安全，因为它没有此问题。首先，pip install scikit-learn。
from sklearn.preprocessing import minmax_scale
minmax_scale(array)
如果使用sklearn管道，请改用MinMaxScaler。
答案 1 :(得分：0)
最简单的代码加速不是两次计算x.min。这本身应该有助于大约30％：
mn, mx = x.min(), x.max()
x_scaled = (x - mn) / (mx - mn)
您也可以从x.ptp获得一些里程数：
mn, ptp = x.min(), x.ptp()
x_scaled = (x - mn) / ptp
就此而言，min或max实际上运行缓慢的数组有多大？
答案 2 :(得分：0)
可以优化MadPhysicist的答案，以避免不必要的临时数据分配：
x -= x.min()
x /= x.ptp()
Inplace运营商（+=，-=等等）不会占用您的内存（因此不太可能在磁盘上进行交换）。当然，这会破坏您的初始x，所以只有在您之后不需要x时才可以......
另外，他建议在高维矩阵中连接多个数据的想法，如果你有很多通道是一个好主意，但同样应该测试这个BIG矩阵是否生成磁盘交换，与处理的小矩阵相比按顺序。
答案 3 :(得分：0)
我认为您仍然可以使用sklearn的MinMaxScaler。您只需要将数据重塑为[n_samples, n_features]之类，对其进行缩放，然后将其重塑为原始形状。只要正确地重塑它就没有关系。在速度方面，我认为这与使用numpy进行操作并没有真正的不同，它只是使您免于倍增和除法的麻烦。