Python numpy.pad() - 芒果文档

📌 相关文章

📜 Python numpy.pad()

📅 最后修改于: 2020-10-27 08:50:58 🧑 作者: Mango

Python的numpy.pad()

Python的numpy模块提供了一个名为numpy.pad()的函数来在数组中执行填充。此函数有几个必需的和可选的参数。

句法：

numpy.pad(array, pad_width, mode='constant', **kwargs)

参数：

数组：array_like

这是我们要填充的源数组。

pad_width：int，序列或array_like

此参数定义填充到每个轴边缘的值的数量。每个轴的唯一焊垫宽度定义为(before_1，after_1)，(before_2，after_2)，…(before_N，after_N))。对于每个轴，((before，after)，)将与pad之前和之后相同。对于所有轴，int或(pad)都是before = after = pad宽度的快捷方式。

模式：str或函数(可选)

此参数具有以下字符串值之一：

‘constant'(默认)

如果我们为模式参数分配一个常量值，则将使用一个常量值进行填充。

‘边缘’

它是数组的边缘值。填充将使用此边缘值进行。

‘linear_ramp’

该值用于执行边缘值和最终值之间的线性渐变填充。

‘最大值’

此参数值使用沿每个轴的矢量部分或全部的最大值执行填充。

‘意思’

该参数值通过沿每个轴的矢量部分或全部的平均值执行填充。

“中位数”

此参数值通过沿每个轴的矢量部分或全部的中值执行填充。

“最低”

该参数值通过沿每个轴的矢量部分或全部的最小值来执行填充。

‘反映’

该值通过矢量反射填充阵列，该矢量反射沿每个轴镜像在起始和终止矢量值上。

“对称”

该值用于通过矢量反射填充阵列，该矢量反射沿阵列的边缘镜像。

‘包’

该值用于通过向量沿轴的环绕来执行数组的填充。起始值用于填充结尾，而终止值则填充开头。

‘空’

此值用于用未定义的值填充数组。

stat_length：整数或序列(可选)

此参数用于“最大”，“最小”，“平均”，“中位数”。它定义了每个边缘轴上的值数，用于计算静态值。

constant_values：标量或序列(可选)

此参数在“常量”中使用。它定义用于为每个轴设置填充值的值。

end_values：标量或序列(可选)

此参数在’linear_ramp’中使用。它定义了用于linear_ramp的最后一个值的值，并将形成填充数组的边缘。

Reflection_type：偶数或奇数(可选)

此参数用于“对称”和“反射”。默认情况下，reflect_type为“偶数”，边缘值周围的反射不变。通过从边缘值的两倍中减去反射值，可以创建数组的扩展部分以形成“奇数”样式。

返回值：

垫：ndarray

此函数返回填充的数组，其秩等于该数组，其形状根据pad_width增加。

范例1：

import numpy as np
x = [1, 3, 2, 5, 4]
y = np.pad(x, (3, 2), 'constant', constant_values=(6, 4))
y

输出：

array([6, 6, 6, 1, 3, 2, 5, 4, 4, 4])

在上面的代码中

我们导入了别名为np的numpy。
我们创建了一个值列表x。
我们已经声明了变量y，并分配了np.pad()函数的返回值。
我们已经传递了列表x，pad_width，在函数中将模式设置为constant和constant_values 。
最后，我们尝试printy的值。

在输出中，它显示了用定义的大小和值填充的ndarray。

范例2：

import numpy as np
x = [1, 3, 2, 5, 4]
y = np.pad(x, (3, 2), 'edge')
y

输出：

array([1, 1, 1, 1, 3, 2, 5, 4, 4, 4])

范例3：

import numpy as np
x = [1, 3, 2, 5, 4]
y = np.pad(x, (3, 2), 'linear_ramp', end_values=(-4, 5))
y

输出：

array([-4, -2,  0,  1,  3,  2,  5,  4,  4,  5])

范例4：

import numpy as np
x = [1, 3, 2, 5, 4]
y = np.pad(x, (3,), 'maximum')
y

输出：

array([5, 5, 5, 1, 3, 2, 5, 4, 5, 5, 5])

范例5：

import numpy as np
x = [1, 3, 2, 5, 4]
y = np.pad(x, (3,), 'mean')
y

输出：

array([3, 3, 3, 1, 3, 2, 5, 4, 3, 3, 3])

范例6：

import numpy as np
x = [1, 3, 2, 5, 4]
y = np.pad(x, (3,), 'median')
y

输出：

array([3, 3, 3, 1, 3, 2, 5, 4, 3, 3, 3])

范例7：

import numpy as np
a = [[1, 2], [3, 4]]
y = np.pad(x, (3,), 'minimum')
y

输出：

array([[1, 1, 1, 1, 2, 1, 1],
           [1, 1, 1, 1, 2, 1, 1],
           [1, 1, 1, 1, 2, 1, 1],
           [3, 3, 3, 3, 4, 3, 3],
           [1, 1, 1, 1, 2, 1, 1],
           [1, 1, 1, 1, 2, 1, 1],
           [1, 1, 1, 1, 2, 1, 1]])

范例8：

import numpy as np
def pad_with(vector, pad_width, iaxis, kwargs):
     padding_value = kwargs.get('padder', 10)
     vector[:pad_width[0]] = padding_value
     vector[-pad_width[1]:] = padding_value
x = np.arange(6)
x = x.reshape((3, 2))
y = np.pad(x, 3, pad_with)
y

输出：

array([41, 31, 21, 11, 21, 31, 41, 51, 41, 31])

在上面的代码中

我们导入了别名为np的numpy。
我们用vector ， pad_width ， iaxis和kwargs创建了一个pad_with函数。
我们已经声明了变量pad_value以从get()函数获取填充值。
我们已经将填充值传递给向量的一部分。
我们已经创建了使用np.arange()函数的阵列X和改变使用重塑()函数的形状。
我们已经声明了变量y，并分配了np.pad()函数的返回值。
我们已经在函数传递了列表x和pad_width
最后，我们尝试printy的值。

在输出中，它显示了用定义的大小和值填充的ndarray。

范例9：

import numpy as np
import numpy as np
def pad_with(vector, pad_width, iaxis, kwargs):
     padding_value = kwargs.get('padder', 10)
     vector[:pad_width[0]] = padding_value
     vector[-pad_width[1]:] = padding_value
x = np.arange(6)
x = x.reshape((3, 2))
np.pad(x, 3, pad_with)

输出：

array([[10, 10, 10, 10, 10, 10, 10, 10],
           [10, 10, 10, 10, 10, 10, 10, 10],
           [10, 10, 10, 10, 10, 10, 10, 10],
           [10, 10, 10,  0,  1, 10, 10, 10],
           [10, 10, 10,  2,  3, 10, 10, 10],
           [10, 10, 10,  4,  5, 10, 10, 10],
           [10, 10, 10, 10, 10, 10, 10, 10],
           [10, 10, 10, 10, 10, 10, 10, 10],
           [10, 10, 10, 10, 10, 10, 10, 10]])

范例10：

import numpy as np
import numpy as np
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
x = np.arange(6)
x = x.reshape((3, 2))
np.pad(x, 3, pad_with, padder=100)

输出：

array([[100, 100, 100, 100, 100, 100, 100, 100],
           [100, 100, 100, 100, 100, 100, 100, 100],
           [100, 100, 100, 100, 100, 100, 100, 100],
           [100, 100, 100,   0,   1, 100, 100, 100],
           [100, 100, 100,   2,   3, 100, 100, 100],
           [100, 100, 100,   4,   5, 100, 100, 100],
           [100, 100, 100, 100, 100, 100, 100, 100],
           [100, 100, 100, 100, 100, 100, 100, 100],
           [100, 100, 100, 100, 100, 100, 100, 100]])