Numpy Pad Объяснен Примерами на Python

Привет гики и добро пожаловать в этой статье мы рассмотрим NumPy pad(). Наряду с этим, для общего лучшего понимания, мы также рассмотрим его синтаксис и параметр. Затем мы увидим применение всей теоретической части на нескольких примерах.

Но сначала попробуем получить краткое представление о функции через ее определение. Как мы знаем, NumPy-это мощная математическая библиотека python. Он предоставляет нам функцию NumPy pad(), которая добавляет заполнение в массивы. Определение, которое мы только что обсудили здесь, станет более ясным по мере дальнейшего продвижения в этой статье. В следующем разделе мы рассмотрим синтаксис, связанный с этой функцией.

СИНТАКСИС NUMPY PAD()

numpy.pad(array, pad_width,)

Это общий синтаксис нашей функции. С ним связано несколько параметров, которые мы обсудим в следующем разделе.

ПАРАМЕТР NUMPY PAD()

1. массив: array_like

Это представляет собой входной массив, на котором необходимо выполнить заполнение.

2. pad_width:{sequence, array_like, int}

Этот параметр представляет собой количество значений, добавленных к краю каждой оси.

3. режим: str или функциональный

Он представляет либо одно из следующих строковых значений, либо предоставленную пользователем функцию.

constant: В этом случае заполнение происходит с постоянным значением.
edge: В этом случае заполнение происходит со значением ребра массива.
maximum: В этом случае заполнение принимает максимальное значение всех векторных частей вдоль заданной оси.
minimum: В этом случае заполнение принимает минимальное значение всех векторных частей вдоль заданной оси.
mean: В этом случае заполнение принимает среднее значение всех частей вектора вдоль заданной оси.
симметричный: В этом случае заполнение происходит вместе с векторным зеркальным отражением вдоль края массива.
reflect: В этом случае заполнение происходит с отражением вектора на первом и последнем значениях вдоль каждой оси.

4. start_length: последовательность или int

Этот параметр используется в “максимуме”, “среднем”, “медиане” и “минимуме”. Здесь количество значений на краю каждой оси используется для вычисления статистического значения.

5. постоянные значения: последовательность или скалярные

Этот параметр используется в “константе”. Здесь значения используются для установки дополненных значений для каждой оси.

6. reflect_type:{четный, нечетный}

Этот параметр используется с типом reflect и symmetric.

ПРИМЕРЫ

Поскольку мы закончили со всей теоретической частью, связанной с NumPy pad (), в этом разделе мы рассмотрим, как работает эта функция и как она помогает нам достичь желаемого результата. Мы начнем с примера элементарного уровня и постепенно перейдем к более сложным примерам.

#input
import numpy as ppool
a=[1,23,4,5]
print(ppool.pad(a,(2,3),"maximum"))

Выход:

[23 23  1 23  4  5 23 23 23]

В приведенном выше примере сначала мы импортировали модуль NumPy. После чего мы определили вход, на котором должна быть выполнена операция. Затем мы использовали наш синтаксис, чтобы получить желаемый результат. В этом примере мы использовали “Максимум” в качестве нашего выбора режима. В результате чего мы получаем 23(максимальное значение) подкладки спереди и сзади.

Теперь давайте рассмотрим еще один пример с другим режимом.

#input
import numpy as ppool
a=[18,21,32,43,50,70,4]
print(ppool.pad(a,(5,1),"reflect"))

Выход:

[70 50 43 32 21 18 21 32 43 50 70  4 70]

Пример, похожий на первый. Но здесь мы использовали другой массив. Кроме того, здесь мы использовали “отражение” как наш способ наблюдения. Мы можем заметить разницу в выходе.

Я пробовал работать в режиме “максимум” и “отражение”. Почему бы вам, ребята, не попробовать “средний” режим наблюдения и не рассказать мне о своих результатах в разделе комментариев?

ДОЛЖЕН ЧИТАТЬ

Python Max Int | Каково максимальное значение типа данных int в Python
Что делает Zfill в Python | Python String zfill()
Вектор Python С Различными Операциями С Использованием Numpy
Алгоритм Крускала: Реализация в Python
Numpy Convolve Для различных режимов в Python

ЗАКЛЮЧЕНИЕ

В этой статье мы рассмотрели NumPy pad(). Кроме того, мы также рассмотрели его синтаксис и параметры. Для лучшего понимания мы рассмотрели несколько примеров. Мы варьировали синтаксис и рассматривали выходные данные для каждого случая. Мы можем сделать вывод, что NumPy pad() помогает нам добавить заполнение в массив. Я надеюсь, что эта статья смогла очистить все href=”https://en.wikipedia.org/wiki/Doubt”>сомнения. Но если у вас есть какие-либо нерешенные вопросы, не стесняйтесь писать их ниже в разделе комментариев. Прочитав это, почему бы не прочитать Memmap дальше. href=”https://en.wikipedia.org/wiki/Doubt”>сомнения. Но если у вас есть какие-либо нерешенные вопросы, не стесняйтесь писать их ниже в разделе комментариев. Прочитав это, почему бы не прочитать Memmap дальше.