numpy.pad #

麻木的。pad ( array , pad_width , mode = 'constant' , ** kwargs ) [来源] #

填充一个数组。

参数
N 阶数组array_like

要填充的数组。

pad_width {序列,array_like,int}

填充到每个轴边缘的值的数量。 每个轴都有独特的焊盘宽度。 或在每个轴的垫之前和之后产生相同的结果。 or是 before = after = 所有轴的焊盘宽度的快捷方式。((before_1, after_1), ... (before_N, after_N))(before, after)((before, after),)(pad,)int

模式str 或函数,可选

以下字符串值之一或用户提供的函数。

'常量'(默认)

具有恒定值的焊盘。

'边缘'

用数组的边缘值填充。

'线性斜坡'

使用 end_value 和数组边缘值之间的线性斜坡进行填充。

'最大限度'

沿每个轴填充全部或部分向量的最大值。

'意思是'

使用沿每个轴的全部或部分向量的平均值进行填充。

“中位数”

沿每个轴填充全部或部分向量的中值。

'最低限度'

沿每个轴使用全部或部分矢量的最小值进行填充。

'反映'

具有向量反射的焊盘沿每个轴镜像在向量的第一个和最后一个值上。

“对称”

具有沿阵列边缘镜像的矢量反射的焊盘。

'裹'

用向量沿轴包裹的焊盘。第一个值用于填充末尾,结束值用于填充开头。

'空的'

具有未定义值的焊盘。

1.17 版本中的新增功能。

<功能>

填充功能,参见注释。

stat_length序列或 int,可选

用于“最大值”、“平均值”、“中值”和“最小值”。用于计算统计值的每个轴边缘的值的数量。

((before_1, after_1), ... (before_N, after_N))每个轴的唯一统计长度。

(before, after)或每个轴的统计长度之前和之后产生相同的结果。((before, after),)

(stat_length,)or是所有轴长度int的快捷方式 。before = after = statistic

默认为None,使用整个轴。

Constant_values序列或标量,可选

用于“常数”。用于设置每个轴的填充值的值。

((before_1, after_1), ... (before_N, after_N))每个轴都有独特的焊盘常数。

(before, after)或为每个轴产生相同的前后常量。((before, after),)

(constant,)或者是所有轴constant的快捷方式 。before = after = constant

默认值为 0。

end_values序列或标量,可选

用于“线性斜坡”。用于 Linear_ramp 的结束值的值,它将形成填充数组的边缘。

((before_1, after_1), ... (before_N, after_N))每个轴的唯一最终值。

(before, after)或为每个轴产生相同的前后最终值。((before, after),)

(constant,)或者是所有轴constant的快捷方式 。before = after = constant

默认值为 0。

Reflect_type {'偶数', '奇数'}, 可选

用于“反射”和“对称”。 “均匀”样式是默认样式,边缘值周围的反射不变。对于“奇数”样式,数组的扩展部分是通过从边缘值的两倍减go反射值来创建的。

返回
填充ndarray

排名等于的填充数组,array形状根据pad_width增加。

笔记

1.7.0 版本中的新增内容。

对于秩大于 1 的数组,后面轴的一些填充是根据前面轴的填充计算的。对于 2 阶数组来说,这是最容易想到的,其中填充数组的角是通过使用第一个轴的填充值来计算的。

如果使用填充函数,则应就地修改 1 阶数组。它具有以下签名:

padding_func(vector, iaxis_pad_width, iaxis, kwargs)

在哪里

向量ndarray

排名 1 的数组已用零填充。填充值是向量[:iaxis_pad_width[0]]和向量[-iaxis_pad_width[1]:]。

iaxis_pad_width 元

一个整数的 2 元组,iaxis_pad_width[0] 表示在向量开头填充的值的数量,其中 iaxis_pad_width[1] 表示在向量末尾填充的值的数量。

整型

当前正在计算的轴。

夸格斯词典

函数需要的任何关键字参数。

例子

>>> a = [1, 2, 3, 4, 5]
>>> np.pad(a, (2, 3), 'constant', constant_values=(4, 6))
array([4, 4, 1, ..., 6, 6, 6])
>>> np.pad(a, (2, 3), 'edge')
array([1, 1, 1, ..., 5, 5, 5])
>>> np.pad(a, (2, 3), 'linear_ramp', end_values=(5, -4))
array([ 5,  3,  1,  2,  3,  4,  5,  2, -1, -4])
>>> np.pad(a, (2,), 'maximum')
array([5, 5, 1, 2, 3, 4, 5, 5, 5])
>>> np.pad(a, (2,), 'mean')
array([3, 3, 1, 2, 3, 4, 5, 3, 3])
>>> np.pad(a, (2,), 'median')
array([3, 3, 1, 2, 3, 4, 5, 3, 3])
>>> a = [[1, 2], [3, 4]]
>>> np.pad(a, ((3, 2), (2, 3)), 'minimum')
array([[1, 1, 1, 2, 1, 1, 1],
       [1, 1, 1, 2, 1, 1, 1],
       [1, 1, 1, 2, 1, 1, 1],
       [1, 1, 1, 2, 1, 1, 1],
       [3, 3, 3, 4, 3, 3, 3],
       [1, 1, 1, 2, 1, 1, 1],
       [1, 1, 1, 2, 1, 1, 1]])
>>> a = [1, 2, 3, 4, 5]
>>> np.pad(a, (2, 3), 'reflect')
array([3, 2, 1, 2, 3, 4, 5, 4, 3, 2])
>>> np.pad(a, (2, 3), 'reflect', reflect_type='odd')
array([-1,  0,  1,  2,  3,  4,  5,  6,  7,  8])
>>> np.pad(a, (2, 3), 'symmetric')
array([2, 1, 1, 2, 3, 4, 5, 5, 4, 3])
>>> np.pad(a, (2, 3), 'symmetric', reflect_type='odd')
array([0, 1, 1, 2, 3, 4, 5, 5, 6, 7])
>>> np.pad(a, (2, 3), 'wrap')
array([4, 5, 1, 2, 3, 4, 5, 1, 2, 3])
>>> def pad_with(vector, pad_width, iaxis, kwargs):
...     pad_value = kwargs.get('padder', 10)
...     vector[:pad_width[0]] = pad_value
...     vector[-pad_width[1]:] = pad_value
>>> a = np.arange(6)
>>> a = a.reshape((2, 3))
>>> np.pad(a, 2, pad_with)
array([[10, 10, 10, 10, 10, 10, 10],
       [10, 10, 10, 10, 10, 10, 10],
       [10, 10,  0,  1,  2, 10, 10],
       [10, 10,  3,  4,  5, 10, 10],
       [10, 10, 10, 10, 10, 10, 10],
       [10, 10, 10, 10, 10, 10, 10]])
>>> np.pad(a, 2, pad_with, padder=100)
array([[100, 100, 100, 100, 100, 100, 100],
       [100, 100, 100, 100, 100, 100, 100],
       [100, 100,   0,   1,   2, 100, 100],
       [100, 100,   3,   4,   5, 100, 100],
       [100, 100, 100, 100, 100, 100, 100],
       [100, 100, 100, 100, 100, 100, 100]])