我有一个多维数组，其中包含灰度整数值，需要将其标准化为0-1范围。更准确地说，所讨论的多维数组是一个数组，其中每个元素都包含代表特定图像的矩阵，并且每个矩阵（图像）都包含图像的像素，这些像素的整数值在0-255之间。
这里是归一化功能：
def normalize(x, mmin=0.0, mmax=255.0):
x = (x - mmin )/(mmax - mmin + 10**(-5))
return x
右：在主模块中，我以这种方式应用该功能：
trainingSet_Images = myUtils.normalize(trainingSet_Images)
结果正确地是具有浮点值的矩阵数组。
错误：但是以这种方式应用normalize()功能：
for i in range(len(trainingSet_Images)):
trainingSet_Images[i] = myUtils.normalize(trainingSet_Images[i])
trainingSet_Images的所有元素都是具有零值的整数矩阵。
似乎Python记住了矩阵的原始类型-但是为什么第一种进行赋值的方法起作用而第二种却不起作用？
这是因为通过像第二种方法一样分配给数组，执行归一化后得到的dtype（将是float）被向下转换为数组dtpye，因此它得到地板。
这在文档的Assigning values to indexed arrays部分中提到，并指出：
请注意，如果将较高的类型分配给较低的类型（例如，将浮点数分配给整数），甚至将异常（将复杂的值分配给浮点数或整数），分配都可能导致更改。
这是从应用normalize函数的结果中分配回来的示例：
a = np.array([[255,255,255],[0,255,255]])
normalize(a)
array([[0.99999996, 0.99999996, 0.99999996],
[0. , 0.99999996, 0.99999996]])
而在第二种方法中：
normalize(a[1])
# array([0. , 0.99999996, 0.99999996])
a[1] = normalize(a[1])
print(a)
array([[255, 255, 255],
[ 0, 0, 0]])
如果您这样做，同样适用：
a[:] = normalize(a)
print(a)
array([[0, 0, 0],
[0, 0, 0]])