numpy.pad#

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

填充数组。

参数：
arrayrank 为 N 的类数组

要填充的数组。

pad_width{序列，类数组，整数}

每个轴边缘填充的值的数量。((before_1, after_1), ... (before_N, after_N)) 每个轴的唯一填充宽度。(before, after) 或 ((before, after),) 对于每个轴产生相同的 before 和 after 填充。 (pad,) 或 int 是所有轴的 before = after = pad 宽度的快捷方式。

mode字符串或函数，可选

以下字符串值之一或用户提供的函数。

“constant”（默认）

用常数值填充。

“edge”

用数组的边缘值填充。

“linear_ramp”

用 end_value 和数组边缘值之间的线性斜坡填充。

“maximum”

用沿每个轴的向量的全部或部分的最大值填充。

“mean”

用沿每个轴的向量的全部或部分的平均值填充。

“median”

用沿每个轴的向量的全部或部分的中值填充。

“minimum”

用沿每个轴的向量的全部或部分的最小值填充。

“reflect”

用向量的反射填充，该反射在沿每个轴的向量的第一个和最后一个值上镜像。

“symmetric”

用向量的反射填充，该反射沿数组的边缘镜像。

“wrap”

用沿轴的向量的环绕填充。第一个值用于填充末尾，最后一个值用于填充开头。

“empty”

用未定义的值填充。

<函数>

填充函数，请参见注释。

stat_length序列或整数，可选

用于 “maximum”、“mean”、“median” 和 “minimum”。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 ((before, after),) 对于每个轴产生相同的 before 和 after 统计长度。

(stat_length,) 或 int 是所有轴的 before = after = 统计 长度的快捷方式。

默认为 None，使用整个轴。

constant_values序列或标量，可选

用于 “constant”。为每个轴设置填充值的值。

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

(before, after) 或 ((before, after),) 对于每个轴产生相同的 before 和 after 常量。

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

默认为 0。

end_values序列或标量，可选

用于 “linear_ramp”。用于线性斜坡结束值的值，并且将形成填充数组的边缘。

((before_1, after_1), ... (before_N, after_N)) 每个轴的唯一结束值。

(before, after) 或 ((before, after),) 对于每个轴产生相同的 before 和 after 结束值。

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

默认为 0。

reflect_type{“even”, “odd”}, 可选

用于 “reflect” 和 “symmetric”。“even” 样式是默认样式，围绕边缘值进行不变的反射。对于 “odd” 样式，数组的扩展部分是通过从边缘值的两倍中减去反射值来创建的。

返回：
padndarray

填充后的数组，其 rank 等于 array，并且形状根据 pad_width 增加。

注释

对于 rank 大于 1 的数组，后面轴的某些填充是根据前面轴的填充计算的。最容易理解的是 rank 为 2 的数组，其中填充数组的角是通过使用来自第一个轴的填充值来计算的。

如果使用填充函数，则该函数应就地修改 rank 为 1 的数组。它具有以下签名

padding_func(vector, iaxis_pad_width, iaxis, kwargs)

其中

vectorndarray

一个 rank 为 1 的数组，已经用零填充。填充值为 vector[:iaxis_pad_width[0]] 和 vector[-iaxis_pad_width[1]:]。

iaxis_pad_widthtuple

一个由整数组成的 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。

iaxisint

当前正在计算的轴。

kwargsdict

该函数需要的任何关键字参数。

示例

>>> import numpy as np
>>> 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]])
在此页