在对音频或图像数组进行一些处理后，需要在一定范围内对其进行归一化，然后才能将其写回文件。这可以这样做：
# Normalize audio channels to between -1.0 and +1.0
audio[:,0] = audio[:,0]/abs(audio[:,0]).max()
audio[:,1] = audio[:,1]/abs(audio[:,1]).max()
# Normalize image to between 0 and 255
image = image/(image.max()/255.0)
有没有一种不那么冗长、方便的功能方法来做到这一点？matplotlib.colors.Normalize()似乎没有关系。
audio /= np.max(np.abs(audio),axis=0)
image *= (255.0/image.max())
使用/=and*=允许您消除中间临时数组，从而节省一些内存。乘法比除法便宜，所以
image *= 255.0/image.max() # Uses 1 division and image.size multiplications
略快于
image /= image.max()/255.0 # Uses 1+image.size divisions
由于我们在这里使用基本的 numpy 方法，我认为这是 numpy 中尽可能有效的解决方案。
就地操作不会更改容器数组的 dtype。由于所需的标准化值是浮点数，因此audio和image数组需要在执行就地操作之前具有浮点数据类型。如果它们还不是浮点 dtype，则需要使用astype. 例如，
image = image.astype('float64')
如果数组同时包含正数据和负数据，我会选择：
import numpy as np
a = np.random.rand(3,2)
# Normalised [0,1]
b = (a - np.min(a))/np.ptp(a)
# Normalised [0,255] as integer: don't forget the parenthesis before astype(int)
c = (255*(a - np.min(a))/np.ptp(a)).astype(int)
# Normalised [-1,1]
d = 2.*(a - np.min(a))/np.ptp(a)-1
如果数组包含nan，一种解决方案可能是将它们删除为：
def nan_ptp(a):
return np.ptp(a[np.isfinite(a)])
b = (a - np.nanmin(a))/nan_ptp(a)
但是，根据具体情况，您可能希望nan区别对待。例如，插入值，用例如 0 替换 in，或引发错误。
最后，值得一提的是，即使这不是 OP 的问题，标准化：
e = (a - np.mean(a)) / np.std(a)
您也可以使用重新缩放sklearn。优点是除了对数据进行均值居中之外，您还可以调整标准偏差的标准化，并且您可以在任一轴上、按特征或按记录执行此操作。
from sklearn.preprocessing import scale
X = scale( X, axis=0, with_mean=True, with_std=True, copy=True )
关键字参数axis,with_mean是with_std不言自明的，并以其默认状态显示。如果参数copy设置为 ，则参数就地执行操作False。文档在这里。
您正在尝试最小-最大缩放audio-1 和 +1image之间以及 0 和 255 之间的值。
使用sklearn.preprocessing.minmax_scale, 应该可以轻松解决您的问题。
例如：
audio_scaled = minmax_scale(audio, feature_range=(-1,1))
和
shape = image.shape
image_scaled = minmax_scale(image.ravel(), feature_range=(0,255)).reshape(shape)
注意：不要与将向量的范数（长度）缩放到某个值（通常为 1）的操作相混淆，这通常也称为归一化。
您可以使用“i”（如 idiv、imul..）版本，它看起来还不错：
image /= (image.max()/255.0)
对于另一种情况，您可以编写一个函数来按列规范化 n 维数组：
def normalize_columns(arr):
rows, cols = arr.shape
for col in xrange(cols):
arr[:,col] /= abs(arr[:,col]).max()
This answer to a similar question解决了我的问题
np.interp(a, (a.min(), a.max()), (-1, +1))
一个简单的解决方案是使用 sklearn.preprocessing 库提供的缩放器。
scaler = sk.MinMaxScaler(feature_range=(0, 250))
scaler = scaler.fit(X)
X_scaled = scaler.transform(X)
# Checking reconstruction
X_rec = scaler.inverse_transform(X_scaled)
错误 X_rec-X 将为零。您可以根据需要调整 feature_range，甚至使用标准缩放器 sk.StandardScaler()
我试着按照这个，得到了错误
TypeError: ufunc 'true_divide' output (typecode 'd') could not be coerced to provided output parameter (typecode 'l') according to the casting rule ''same_kind''
numpy我试图规范化的数组是一个数组integer。似乎他们不赞成在版本中进行类型转换 > 1.10，您必须使用它numpy.true_divide()来解决这个问题。
arr = np.array(img)
arr = np.true_divide(arr,[255.0],out=None)
img是一个PIL.Image对象。