numpy.pad_NumPy中文网

NumPy NumPy参考

NumPy参考 >例行程序 >Padding Arrays > numpy.pad

numpy.pad（array，pad_width，mode ='constant'，** kwargs ）[源代码] ¶

填充数组。

参量

N级数组array_like

要填充的阵列。

pad_width {sequence，array_like，int}

填充到每个轴边缘的值的数量。（（before_1，after_1），…（before_N，after_N））每个轴的唯一焊盘宽度。（（before，after），）对于每个轴在pad之前和之后产生相同的结果。（pad）或int是所有轴前=后=垫宽度的快捷方式。

模式str或功能，可选

以下字符串值之一或用户提供的函数。

'恒定'（默认）: 具有恒定值的打击垫。
'边缘': 用数组的边缘值填充。
'linear_ramp': 在end_value和数组边缘值之间使用线性渐变填充。
'最大': 沿每个轴填充全部或部分矢量的最大值。
'意思': 沿每个轴填充全部或部分矢量的平均值。
“中位数”: 沿每个轴填充全部或部分向量的中值。
“最低”: 沿每个轴填充全部或部分矢量的最小值。
'反映': 具有矢量反射的填充沿每个轴镜像在矢量的第一个和最后一个值上。
“对称”: 具有矢量反射的填充沿阵列边缘镜像。
'包裹': 沿轴缠绕矢量的卷轴。第一个值用于填充结尾，而结束值用于填充开头。
'空': 具有未定义值的填充。

1.17版中的新功能。
<功能>: 填充功能，请参见注释。

stat_length 序列或int，可选

用于“最大”，“平均”，“中位数”和“最小”。用于计算统计值的每个轴的边缘处的值数。

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

（（before，after），）在每个轴的统计长度前后产生相同的结果。

（stat_length，）或int是所有轴的统计信息长度之前=之后=的快捷方式。

默认值为None，以使用整个轴。

constant_values 序列或标量，可选

在“常量”中使用。用于设置每个轴的填充值的值。

((before_1, after_1), ... (before_N, after_N)) 每个轴的唯一填充常数。

((before, after),) 每个轴的常数前后均相同。

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

默认值为0。

end_values 序列或标量，可选

在'linear_ramp'中使用。用于linear_ramp终止值的值，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),) 每个轴的最终值之前和之后的值相同。

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

默认值为0。

Reflection_type {'even'，'odd'}，可选

用于“反射”和“对称”。默认设置为“偶数”样式，边缘值周围的反射不变。对于“奇数”样式，通过从两倍边缘值中减去反射值来创建数组的扩展部分。

退货

填充数组: 等级等于的填充数组array根据pad_width增加形状。

笔记

1.7.0版中的新功能。

对于等级大于1的数组，后一个轴的某些填充是根据前一个轴的填充来计算的。这是最容易想到的秩2数组，其中通过使用来自第一个轴的填充值来计算填充数组的角。

如果使用padding函数，则应就地修改等级1数组。它具有以下签名：

padding_func(vector, iaxis_pad_width, iaxis, kwargs)

哪里

向量ndarray
等级1数组已填充零。填充的值是vector [：iaxis_pad_width [0]]和vector [-iaxis_pad_width [1]：]。

iaxis_pad_width 元组
由整数组成的2个元组iaxis_pad_width [0]表示在向量的开头填充的值的数量，其中iaxis_pad_width [1]表示在向量的末尾填充的值的数量。

iaxis int
当前正在计算的轴。

克格斯字典
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]])