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。
要填充的阵列。
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。
以下字符串值之一或用户提供的函数。
具有恒定值的打击垫。
用数组的边缘值填充。
在end_value和数组边缘值之间使用线性渐变填充。
沿每个轴填充全部或部分矢量的最大值。
沿每个轴填充全部或部分矢量的平均值。
沿每个轴填充全部或部分向量的中值。
沿每个轴填充全部或部分矢量的最小值。
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。
具有矢量反射的填充沿阵列边缘镜像。
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。
具有未定义值的填充。
1.17版中的新功能。
填充功能,请参见注释。
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。
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。
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。
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。
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]])