matplotlib.colors.Normalize #

Klasse matplotlib.colors. Normalisieren ( vmin = None , vmax = None , clip = False ) [Quelle] #

Basen:object

Eine Klasse, die, wenn sie aufgerufen wird, Daten linear in das Intervall normalisiert .[0.0, 1.0]

Parameter :

vmin, vmax float oder None

Wenn vmin und/oder vmax nicht angegeben sind, werden sie vom Minimal- bzw. Maximalwert der ersten verarbeiteten Eingabe initialisiert; dh __call__(A)Anrufe autoscale_None(A).

clip bool, Standard: False

Wenn TrueWerte außerhalb des Bereichs liegen, werden sie 0 oder 1 zugeordnet, je nachdem, was näher liegt, und maskierte Werte werden auf 1 gesetzt. Wenn maskierte Werte maskiert bleiben.[vmin, vmax]False

Das Beschneiden vereitelt stillschweigend den Zweck, die Farben darüber, darunter und maskiert in einer Farbkarte festzulegen, sodass es wahrscheinlich zu Überraschungen führt. daher ist die Vorgabe clip=False.

Anmerkungen

Gibt 0 zurück, wenn .vmin == vmax

__call__ ( value , clip = None ) [Quelle] #

Wertdaten im Intervall in das Intervall normalisieren und zurückgeben .[vmin, vmax][0.0, 1.0]

Parameter :

Wert: Zu normalisierende Daten.
bool _: Wenn None, ist standardmäßig self.clip(was standardmäßig False).

Anmerkungen

Falls noch nicht initialisiert, werden self.vminund self.vmaxmit initialisiert self.autoscale_None(value).

Autoskalierung ( A ) [Quelle] #: Setzen Sie vmin , vmax auf min, max von A .

autoscale_None ( A ) [Quelle] #: Wenn vmin oder vmax nicht eingestellt sind, verwenden Sie Min/Max von A , um sie einzustellen.

Eigenschaftsclip # _

invers ( Wert ) [Quelle] #

statischer Prozesswert ( Wert ) [Quelle] #

Homogenisieren Sie den Eingabewert für eine einfache und effiziente Normalisierung.

value kann ein Skalar oder eine Sequenz sein.

Rückgaben :

Ergebnis maskiertes Array: Maskiertes Array mit derselben Form wie value .
is_scalar bool: Ob der Wert ein Skalar ist.

Anmerkungen

Float-Dtypes werden beibehalten; Integer-Typen mit zwei Bytes oder weniger werden in np.float32 konvertiert, und größere Typen werden in np.float64 konvertiert. Die Beibehaltung von float32, wenn möglich, und die Verwendung von In-Place-Vorgängen verbessern die Geschwindigkeit für große Arrays erheblich.