numpy.pad#

numpy.pad(массив, pad_width, mode='constant', **kwargs)[источник]#

Дополнить массив.

Параметры:

массивarray_like ранга N

Массив для заполнения.

pad_width{sequence, array_like, int, dict}

Количество значений, добавленных к краям каждой оси. ((before_1, after_1), ... (before_N, after_N)) уникальные ширины заполнения для каждой оси. (before, after) или ((before, after),) дает одинаковый результат до и после заполнения для каждой оси. (pad,) или int является сокращением для before = after = ширина заполнения для всех осей. Если dict, каждый ключ представляет собой ось, а соответствующее значение - это int или int пара, описывающая заполнение (before, after) или pad ширина для этой оси.

modestr или функция, опционально

Одно из следующих строковых значений или пользовательская функция.

‘constant’ (по умолчанию): Заполняет постоянным значением.
‘edge’: Заполняет краевыми значениями массива.
'linear_ramp': Заполняет линейным наклоном между end_value и значением края массива.
'maximum': Дополняет максимальным значением всего или части вектора вдоль каждой оси.
'mean': Заполняет средним значением всего вектора или его части вдоль каждой оси.
'median': Заполняет медианным значением всего или части вектора вдоль каждой оси.
‘minimum’: Заполняет минимальным значением всего вектора или его части вдоль каждой оси.
'reflect': Заполняет отражением вектора, зеркально отраженного на первом и последнем значениях вектора вдоль каждой оси.
'symmetric': Заполняет отражением вектора, зеркально отображённого по краю массива.
‘wrap’: Дополняет обёрткой вектора вдоль оси. Первые значения используются для дополнения конца, а конечные значения — для дополнения начала.
‘empty’: Заполняет неопределенными значениями.
: Функция заполнения, см. Примечания.

stat_lengthпоследовательность или int, опционально

Используется в 'maximum', 'mean', 'median' и 'minimum'. Количество значений на краю каждой оси, используемое для вычисления статистического значения.

((before_1, after_1), ... (before_N, after_N)) уникальные статистические длины для каждой оси.

(before, after) или ((before, after),) дает одинаковые длины статистики до и после для каждой оси.

(stat_length,) или int является сокращением для before = after = statistic длина для всех осей.

По умолчанию None, чтобы использовать всю ось.

constant_valuesпоследовательность или скаляр, опционально

Используется в 'constant'. Значения для установки заполненных значений для каждой оси.

((before_1, after_1), ... (before_N, after_N)) уникальные константы заполнения для каждой оси.

(before, after) или ((before, after),) даёт одинаковые до и после константы для каждой оси.

(constant,) или constant является сокращением для before = after = constant для всех осей.

По умолчанию 0.

end_valuesпоследовательность или скаляр, опционально

Используется в 'linear_ramp'. Значения, используемые для конечного значения linear_ramp и которые будут формировать край дополненного массива.

((before_1, after_1), ... (before_N, after_N)) уникальные конечные значения для каждой оси.

(before, after) или ((before, after),) дает одинаковые значения до и после конечных значений для каждой оси.

(constant,) или constant является сокращением для before = after = constant для всех осей.

По умолчанию 0.

reflect_type{‘even’, ‘odd’}, опционально

Используется в 'reflect' и 'symmetric'. Стиль 'even' является стилем по умолчанию с неизменным отражением вокруг краевого значения. Для стиля 'odd' расширенная часть массива создаётся путём вычитания отражённых значений из удвоенного краевого значения.

Возвращает:

padndarray: Дополненный массив ранга, равного array с увеличенной формой в соответствии с pad_width.

Примечания

Для массива с рангом больше 1 часть заполнения последующих осей вычисляется из заполнения предыдущих осей. Это проще всего представить с массивом ранга 2, где углы заполненного массива вычисляются с использованием заполненных значений из первой оси.

Функция заполнения, если используется, должна изменять массив ранга 1 на месте. Она имеет следующую сигнатуру:

padding_func(vector, iaxis_pad_width, iaxis, kwargs)

где

векторndarray: Массив ранга 1, уже заполненный нулями. Заполненные значения — это vector[:iaxis_pad_width[0]] и vector[-iaxis_pad_width[1]:].
iaxis_pad_widthкортеж: Кортеж из 2 целых чисел, iaxis_pad_width[0] представляет количество значений, добавленных в начале вектора, где iaxis_pad_width[1] представляет количество значений, добавленных в конце вектора.
iaxisint: Ось, которая в настоящее время вычисляется.
kwargsdict: Любые ключевые аргументы, которые требует функция.

Примеры

>>> 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]])

>>> a = np.arange(1, 7).reshape(2, 3)
>>> np.pad(a, {1: (1, 2)})
array([[0, 1, 2, 3, 0, 0],
       [0, 4, 5, 6, 0, 0]])
>>> np.pad(a, {-1: 2})
array([[0, 0, 1, 2, 3, 0, 0],
       [0, 0, 4, 5, 6, 0, 0]])
>>> np.pad(a, {0: (3, 0)})
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0],
       [1, 2, 3],
       [4, 5, 6]])
>>> np.pad(a, {0: (3, 0), 1: 2})
array([[0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 1, 2, 3, 0, 0],
       [0, 0, 4, 5, 6, 0, 0]])