最高效方式是用广播机制一行实现：a_norm = (a - a.mean(ax

is=0)) / a.std(axis=0, ddof=0)；需处理std=0的列，设其标准差为1避免除零；结果等价于sklearn StandardScaler但更快更轻量。

用 numpy 对二维数组每列独立做 Z-score 归一化（即 (x - mean) / std），最高效的方式是利用广播机制，**避免显式循环**，一行代码即可完成。

核心方法：直接使用广播

假设 a 是形状为 (m, n) 的二维数组（m 行、n 列），对每列减去该列均值、再除以该列标准差：

a_norm = (a - a.mean(axis=0)) / a.std(axis=0, ddof=0)

说明：

• a.mean(axis=0) 返回长度为 n 的一维数组，含每列均值；
• a.std(axis=0, ddof=0) 同理返回每列标准差（ddof=0 表示总体标准差，与 sklearn 默认一致；若需样本标准差，设 ddof=1）；
• 二者都会自动广播到原数组形状，实现列级向量化运算。

注意除零问题（std=0 的列）

若某列所有值相同（标准差为 0），直接除会得 inf 或 nan。稳妥做法：

stds = a.std(axis=0, ddof=0)
stds[stds == 0] = 1  # 防止除零，此时归一化后该列为全 0（因均值已减）
a_norm = (a - a.mean(axis=0)) / stds

等价于 sklearn 的 StandardScaler（但更快）

如果你熟悉 sklearn.preprocessing.StandardScaler，它的默认行为就是列归一化（with_mean=True, with_std=True）。纯 numpy 实现无对象开销，适合大批量或嵌入式计算：

• 不依赖 sklearn；
• 无需 fit/transform 分步；
• 内存连续、计算路径短，通常快 2–5 倍（尤其在中小规模数组上）。

验证是否正确

快速检查归一化结果是否符合预期：

print("每列均值 ≈ 0:", np.allclose(a_norm.mean(axis=0), 0, atol=1e-10))
print("每列标准差 ≈ 1:", np.allclose(a_norm.std(axis=0, ddof=0), 1, atol=1e-10))