本文介绍使用 numpy 对二维点坐标数组进行高效归一化的方法：将所有坐标的最小 x 和最小 y 分别平移到 0，消除负值，避免冗长循环和中间变量。
本文介绍使用 numpy 对二维点坐标数组进行高效归一化的方法：将所有坐标的最小 x 和最小 y 分别平移到 0，消除负值，避免冗长循环和中间变量。
在处理几何坐标数据（如四边形顶点、多边形轮廓）时，常需将坐标系“重置”为以左下角为原点的非负空间。例如，给定一个形状为 (n, 2) 的二维 NumPy 数组 pa，每行代表一个 [x, y] 坐标点，目标是让整个点集的最小 x 值和最小 y 值均变为 0 —— 即沿 x 轴和 y 轴分别平移，使数据整体“贴齐”第一象限。
最简洁、符合 NumPy 向量化思想的实现方式是利用 .min(axis=0) 沿列方向求最小值：
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：对每列（x 和 y）分别减去其最小值
pa_normalized = pa - pa.min(axis=0)
执行后，pa_normalized 结果为：
array([[426.00003, 426.00003],
[ 0. , 426.00003],
[426.00003, 0. ],
[ 0. , 0. ]])
该写法等价于 pa -= pa.min(axis=0)（原地修改），但推荐使用 pa - pa.min(axis=0) 以保持原始数组不变，增强代码可读性与可调试性。
关键说明：
-
pa.min(axis=0)返回一个长度为 2 的一维数组：[min_x, min_y]； - NumPy 的广播机制（broadcasting）会自动将该向量从右侧扩展至与
pa形状兼容，即对每一行的 x 分量减min_x，y 分量减min_y； - 此方法完全避免了显式索引、循环、临时数组及冗余变量，时间复杂度 O(n)，空间效率高，且语义清晰。
注意事项：
- 若输入数组为空或含 NaN，
.min()将返回nan，建议提前用np.nanmin()或np.isfinite()过滤异常值； - 该归一化仅做平移（仿射变换中的平移分量），不缩放、不旋转，适用于坐标对齐、可视化预处理或作为后续归一化（如 Min-Max 缩放到 [0,1]）的前置步骤。
综上，pa - pa.min(axis=0) 是对二维坐标数组实现零起点归一化的标准、优雅且高性能的 NumPy 解法。
