通过计算每列（x、y）的最小值并整体平移，可将二维坐标数组整体右上移动，使所有坐标非负，且左下角点恰好落在原点。
通过计算每列（x、y）的最小值并整体平移，可将二维坐标数组整体右上移动，使所有坐标非负，且左下角点恰好落在原点。
在处理几何坐标数据（如四边形顶点）时，常需将整个点集“归一化”至非负区域——即确保所有 x 和 y 坐标 ≥ 0，同时保持相对位置不变。本质是沿 x 和 y 方向分别做刚性平移：将最小 x 值对齐到 0，最小 y 值也对齐到 0。
NumPy 提供了极为简洁高效的实现方式：利用 array.min(axis=0) 沿列方向求最小值，返回一个形状为 (2,) 的一维数组 [min_x, min_y]，再通过广播机制直接从原数组中减去该偏移量：
import numpy as np
pa = np.array([[ 213.00002 , 213.00002 ],
[-213.00002 , 213.00002 ],
[ 213.00002 , -213.00002 ],
[-213.00002 , -213.00002 ]])
# ✅ 一行完成归一化：按列取最小值，再整体平移
pa_normalized = pa - pa.min(axis=0)
print(pa_normalized)
输出：
[[426.00003 426.00003] [ 0. 426.00003] [426.00003 0. ] [ 0. 0. ]]
该方法优势显著：
- 简洁性：替代原始 5 步逻辑，仅需一行代码；
- 通用性：适用于任意行数（N 个点）、固定 2 列（x,y）的数组，无需硬编码索引；
- 向量化：完全避免 Python 循环，充分利用 NumPy 底层优化；
-
安全性：
axis=0明确指定按列操作，语义清晰，不易出错。
⚠️ 注意事项：
- 此操作是平移变换，不缩放、不旋转，仅改变坐标系原点；
- 若后续需保留原始数据，请使用
pa_normalized = pa - pa.min(axis=0)而非就地修改（如pa -= ...），避免意外覆盖； - 对含 NaN 的数据，
min()默认会传播 NaN；如有缺失值，应先用np.nanmin()并配合掩码处理。
归一化是坐标预处理的关键步骤，广泛应用于图像顶点校正、SVG 路径转换、CAD 数据标准化等场景——掌握这一 NumPy 惯用法，可大幅提升几何数据处理的健壮性与可读性。
