极差归一化是将数据线性压缩至[0,1]区间的标准化方法，适用于量纲差异大且无显著异常值的场景；需用np.nanmin/np.nanmax、防除零处理及明确axis参数。
什么是极差归一化，它适合什么场景
极差归一化（Min-Max Scaling）把数组值线性压缩到 [0, 1] 区间，公式是：(x - x_min) / (x_max - x_min)。它不改变数据分布形状，只做平移和缩放，适合特征量纲差异大、且无明显异常值的场景。如果数组含 inf、nan 或 x_max == x_min（所有值相同），直接套用会出错或返回全 nan。
常见错误现象包括：
- 结果全是
nan或inf - 归一化后出现负数（说明用了错误的极小值/极大值）
- 多维数组按全局归一化，但实际需要按列/按行独立处理
手动实现时必须检查的三个条件
手动写极差归一化前，先确认这三点：
• np.nanmin() 和 np.nanmax() 替代 np.min()/np.max()，避免 nan 污染极值计算
• 若 x_max == x_min，直接返回全 0.5（或全 0，取决于业务逻辑），不能除零
• 对多维数组，明确指定 axis 参数：按列归一化用 axis=0，按行用 axis=1；不传则默认全局
示例（安全的手动实现）：
def minmax_normalize(arr, axis=None):
arr = np.asarray(arr)
mi = np.nanmin(arr, axis=axis, keepdims=True)
ma = np.nanmax(arr, axis=axis, keepdims=True)
denominator = ma - mi
# 防止除零：分母为 0 的位置设为 1，使结果为 0
denominator = np.where(denominator == 0, 1, denominator)
return (arr - mi) / denominator
NumPy原生函数 vs 手动实现的性能与精度差异
np.interp()、sklearn.preprocessing.MinMaxScaler 不是 NumPy 原生函数，这里只比纯 NumPy 方案：
• 手动用 np.nanmin/np.nanmax + 广播，速度最快，内存友好，适合一次性大批量处理
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
• np.ptp()（peak-to-peak）可替代 ma - mi，但不支持 nan，需提前清洗
• 不要用 arr.min() 直接链式调用，比如 (arr - arr.min()) / arr.ptp() —— 它在含 nan 时返回 nan，且不支持 axis 广播
兼容性注意：旧版 NumPy（keepdims=True 在标量输出时行为不一致，建议显式判断维度。
为什么别急着用 sklearn 的 MinMaxScaler
如果你只是做一次数组变换，没后续 pipeline、没 fit-transform 分离需求，引入 sklearn 是过度设计：
• MinMaxScaler 默认只支持 2D 输入，对 1D array 会报 ValueError: Expected 2D array
• 它内部仍调用 np.min/np.max，未默认跳过 nan，需额外设置 feature_range 和预处理
• 多数情况下，三行 NumPy 代码比初始化一个 scaler 对象更轻、更可控
真正容易被忽略的是：极差归一化对异常值极度敏感。一个离群的 max 值会让其余所有数据挤在 [0, 0.05] 区间里——这时该考虑用 Z-score 或 RobustScaler，而不是硬套极差公式。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
