NumPy教程-numpy.pad()在Python中的使用
点击关注 👉约 6 分钟Python的numpy模块提供了一个名为numpy.pad()的函数，用于在数组中执行填充。这个函数有几个必需和可选的参数。
语法：
numpy.pad(array, pad_width, mode='constant', **kwargs)
参数：
array: array_like
这是我们想要填充的源数组。
pad_width: int、sequence或array_like
这个参数定义了要填充到每个轴的边缘的值的数量。每个轴的唯一的填充宽度被定义为(before_1, after_1)，(before_2, after_2)，... (before_N, after_N)。对于每个轴，((before, after),)会被视为与before和after pad相同。对于所有轴，int或(pad,)是before = after = pad width的快捷方式。
mode: str或function（可选）
这个参数有以下字符串值之一：
'constant'（默认）
如果我们将一个常数值分配给mode参数，将使用常数值进行填充。
'edge'
这是数组的边缘值。将使用这个边缘值进行填充。
'linear_ramp'
这个值用于使用边缘值和结束值之间的线性斜坡进行填充。
'maximum'
这个参数值通过使用矢量部分或全部的最大值来进行填充，沿每个轴。
'mean'
这个参数值通过使用矢量部分或全部的平均值来进行填充，沿每个轴。
'median'
这个参数值通过使用矢量部分或全部的中位数来进行填充，沿每个轴。
'minimum'
这个参数值通过使用矢量部分或全部的最小值来进行填充，沿每个轴。
'reflect'
这个值通过矢量反射来进行填充，即在每个轴上镜像开始和结束的矢量值。
'symmetric'
这个值通过矢量反射来进行填充，即沿数组边缘镜像。
'wrap'
这个值通过矢量在轴上的循环来进行填充。起始值用于填充结束，结束值填充开头。
'empty'
这个值用于用未定义的值进行填充数组。
stat_length: int或sequence（可选）
这个参数用于'maximum'、'minimum'、'mean'、'median'。它定义了用于计算静态值的每个边轴的值数量。
constant_values: 标量或sequence（可选）
这个参数用于'constant'。它定义了将填充值设置为每个轴的值。
end_values: 标量或sequence（可选）
这个参数用于'linear_ramp'。它定义了用于线性斜坡的最后一个值，将形成填充数组的边缘。
reflect_type: even或odd（可选）
这个参数用于'symmetric'和'reflect'。默认情况下，reflect_type为'even'，在边缘值周围进行未更改的反射。通过从两倍边缘值中减去反射值，可以为'odd'风格创建数组的扩展部分。
👉点击领取：最全Python资料合集
返回值：
pad: ndarray
这个函数返回形状与数组相等的秩的填充数组，其形状根据pad_width增加。
示例1：
import numpy as npx = [1, 3, 2, 5, 4]y = np.pad(x, (3, 2), 'constant', constant_values=(6, 4))y
array([6, 6, 6, 1, 3, 2, 5, 4, 4, 4])
我们导入了别名为np的numpy。
我们创建了一个值列表x。
我们声明了变量y，并将np.pad()函数的返回值赋值给它。
我们在函数中传递了列表x，pad_width，将mode设置为constant，并在函数中传递了constant_values。
最后，我们尝试打印变量y。
输出显示了一个填充了指定大小和值的ndarray。
示例2：
import numpy as npx = [1, 3, 2, 5, 4]y = np.pad(x, (3, 2), 'edge')y
array([1, 1, 1, 1, 3, 2, 5, 4, 4, 4])
示例3：
import numpy as npx = [1, 3, 2, 5, 4]y = np.pad(x, (3, 2), 'linear_ramp', end_values=(-4, 5))y
array([-4, -2, 0, 1, 3, 2, 5, 4, 4, 5])
示例4：
import numpy as npx = [1, 3, 2, 5, 4]y = np.pad(x, (3,), 'maximum')y
array([5, 5, 5, 1, 3, 2, 5, 4, 5, 5, 5])
示例5：
import numpy as npx = [1, 3, 2, 5, 4]y = np.pad(x, (3,), 'mean')y
array([3, 3, 3, 1, 3, 2, 5, 4, 3, 3, 3])
示例6：
import numpy as npx = [1, 3, 2, 5, 4]y = np.pad(x, (3,), 'median')y
array([3, 3, 3, 1, 3, 2, 5, 4, 3, 3, 3])
示例7：
import numpy as npa = [[1, 2], [3, 4]]y = np.pad(x, (3,), 'minimum')y
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 npdef pad_with(vector, pad_width, iaxis, kwargs):padding_value = kwargs.get('padder', 10)vector[:pad_width[0]] = padding_valuevector[-pad_width[1]:] = padding_valuex = np.arange(6)x = x.reshape((3, 2))y = np.pad(x, 3, pad_with)y
array([41, 31, 21, 11, 21, 31, 41, 51, 41, 31])
我们导入了别名为np的numpy。
我们创建了一个名为pad_with的函数，参数为vector、pad_width、iaxis和kwargs。
我们声明了变量pad_value，以从get()函数获取填充值。
我们将填充值传递给向量的部分。
我们使用np.arange()函数创建一个数组x，并使用reshape()函数改变了形状。
我们声明了一个变量y，并将np.pad()函数的返回值赋值给它。
我们在函数中传递了列表x和pad_width。
最后，我们尝试打印变量y。
输出显示了一个填充了指定大小和值的ndarray。
示例9：
import numpy as npimport numpy as npdef pad_with(vector, pad_width, iaxis, kwargs):padding_value = kwargs.get('padder', 10)vector[:pad_width[0]] = padding_valuevector[-pad_width[1]:] = padding_valuex = np.arange(6)x = x.reshape((3, 2))np.pad(x, 3, pad_with)
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 npimport numpy as npdef pad_with(vector, pad_width, iaxis, kwargs):... pad_value = kwargs.get('padder', 10)... vector[:pad_width[0]] = pad_value... vector[-pad_width[1]:] = pad_valuex = np.arange(6)x = x.reshape((3, 2))np.pad(x, 3, pad_with, padder=100)
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]])
热门推荐