极客笔记NumPy numpy.pad()的使用
Python的numpy模块提供了一个叫做numpy.pad()的函数来对数组进行填充。这个函数有几个必填和可选的参数。
语法
numpy.pad(array, pad_width, mode='constant', **kwargs)
参数
array：数组对象
这是我们要填补的源数组。
pad_width：整数、序列或数组对象
此参数定义了要填补到每个轴的边缘的值的数量。每个轴的唯一填补宽度定义为(before_1, after_1), (before_2, after_2), … (before_N, after_N)。对于每个轴，((before, after),)将被视为与before和after填补相同。对于所有轴，整数或(pad,)是before = after =填补宽度的快捷方式。
mode：字符串或函数（可选）
此参数具有以下字符串值之一：
‘constant’（默认值）
如果我们将一个常数值赋给模式参数，则填补将以常数值进行。
‘edge’
它是数组的边缘值。填补将使用这个边缘值进行。
‘linear_ramp’
此值用于使用边缘值和结束值之间的线性斜坡进行填充。
‘maximum’
此参数值通过使用每个轴上的向量部分或全部的最大值进行填充。
‘mean’
此参数值通过使用每个轴上的向量部分或全部的平均值进行填充。
‘median’
此参数值通过使用每个轴上的向量部分或全部的中值进行填充。
‘minimum’
此参数值通过使用每个轴上的向量部分或全部的最小值进行填充。
‘reflect’
此值通过矢量反射填补数组，其在每个轴上的起始和结束矢量值上镜像。
‘symmetric’
此值用于通过沿数组边缘进行镜像来填补数组。
‘wrap’
此值用于通过沿轴向进行矢量包裹来填补数组。起始值用于填补末尾，结束值用于填补开头。
’empty’
此值用于使用未定义的值填充数组。
stat_length：整数或序列（可选）
此参数用于’maximum’、’minimum’、’mean’、’median’。它定义了用于计算静态值的每个边缘轴上的值的数量。
constant_values：标量或序列（可选）
此参数用于’constant’。它定义了用于将填充值设置为每个轴的值。
end_values：标量或序列（可选）
此参数用于’linear_ramp’。它定义了用于线性斜坡的最后一个值，并形成填充数组的边缘。
reflect_type：偶数或奇数（可选）
该参数用于’symmetric’和’reflect’。默认情况下，反射类型为’even’，在边界值周围没有改变的反射。通过将反射值从两倍边界值中减去，可以为’odd’样式创建数组的扩展部分。
返回值
pad: ndarray
该函数返回形状与pad_width相对应的数组的填充数组。
示例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
- 我们使用别名np导入了numpy库。
- 我们创建了一个值为x的列表。
- 我们声明了变量y，并赋予了np.pad()函数的返回值。
- 我们在函数中传递了列表x，设置了pad_width，将模式设置为 constant ，以及设置了 constant_values 。
- 最后，我们尝试打印y的值。
在输出中，显示了一个以定义的大小和值填充的ndarray。
示例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])
示例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])
示例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])
示例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])
示例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])
示例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]])
示例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
- 我们使用别名np导入了numpy库。
- 我们创建了一个名为pad_with的函数，包含vector、pad_width、iaxis和kwargs作为参数。
- 我们声明了变量pad_value并从get()函数中获取填充值。
- 我们将填充值应用于向量的某一部分。
- 我们使用np.arange()函数创建了一个数组x，并使用reshape()函数改变了其形状。
- 我们声明了一个变量y，并将np.pad()函数的返回值赋给了它。
- 我们将列表x和pad_width作为参数传递给了函数。
- 最后，我们尝试打印变量y的值。
输出显示了一个定义大小和值的ndarray数组。
示例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]])
示例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]])