matplotlib.colors.Normalize #

classe matplotlib.colors. Normalizza ( vmin = None , vmax = None , clip = False ) [fonte] #

Basi:object

Una classe che, quando viene chiamata, normalizza linearmente i dati nell'intervallo.[0.0, 1.0]

Parametri :

vmin, vmax float o Nessuno

Se vmin e/o vmax non sono dati, vengono inizializzati dal valore minimo e massimo, rispettivamente, del primo input elaborato; cioè, __call__(A)chiamate autoscale_None(A).

clip bool, predefinito: falso

Se Truei valori che non rientrano nell'intervallo , vengono mappati su 0 o 1, a seconda di quale sia più vicino, e i valori mascherati vengono impostati su 1. Se i valori mascherati rimangono mascherati.[vmin, vmax]False

Il ritaglio silenzioso vanifica lo scopo di impostare i colori sopra, sotto e mascherati in una mappa dei colori, quindi è probabile che porti a sorprese; pertanto il valore predefinito è clip=False.

Appunti

Restituisce 0 se .vmin == vmax

__call__ ( valore , clip = Nessuno ) [fonte] #

Normalizza i dati del valore nell'intervallo nell'intervallo e lo restituisce.[vmin, vmax][0.0, 1.0]

Parametri :

valore: Dati da normalizzare.
clip bool: If None, per impostazione predefinita è self.clip(che per impostazione predefinita è False).

Appunti

Se non sono già inizializzati, self.vmine self.vmaxvengono inizializzati utilizzando self.autoscale_None(value).

scala automatica ( A ) [fonte] #: Imposta vmin , vmax su min, max di A .

autoscale_None ( A ) [fonte] #: Se vmin o vmax non sono impostati, utilizzare min/max di A per impostarli.

clip di proprietà #

inverso ( valore ) [fonte] #

valore_processo statico ( valore ) [fonte] #

Omogeneizza il valore di input per una normalizzazione facile ed efficiente.

value può essere uno scalare o una sequenza.

Resi :

array mascherato dei risultati: Matrice mascherata con la stessa forma di value .
is_scalare bool: Se il valore è uno scalare.

Appunti

I dtype float vengono mantenuti; i tipi interi con due byte o meno vengono convertiti in np.float32, mentre i tipi più grandi vengono convertiti in np.float64. La conservazione di float32 quando possibile e l'utilizzo di operazioni sul posto migliora notevolmente la velocità per array di grandi dimensioni.