matplotlib.colors.Normalize #

classe matplotlib.colors. Normaliser ( vmin = Aucun , vmax = Aucun , clip = Faux ) [source] #

Socles :object

Une classe qui, lorsqu'elle est appelée, normalise linéairement les données dans l' intervalle.[0.0, 1.0]

Paramètres :

vmin, vmax flottant ou Aucun

Si vmin et/ou vmax ne sont pas donnés, ils sont initialisés respectivement à partir de la valeur minimale et maximale de la première entrée traitée ; c'est-à-dire __call__(A)les appels autoscale_None(A).

clip booléen, par défaut : False

Si Trueles valeurs se trouvant en dehors de la plage , sont mappées sur 0 ou 1, selon la valeur la plus proche, et les valeurs masquées sont définies sur 1. Si les valeurs masquées restent masquées.[vmin, vmax]False

L'écrêtage va à l'encontre de l'objectif de définir les couleurs sur, sous et masquées dans une palette de couleurs, il est donc susceptible de conduire à des surprises ; donc la valeur par défaut est clip=False.

Remarques

Renvoie 0 si .vmin == vmax

__call__ ( valeur , clip = Aucun ) [source] #

Normalisez les données de valeur dans l' intervalle dans l' intervalle et renvoyez-les.[vmin, vmax][0.0, 1.0]

Paramètres :

évaluer: Données à normaliser.
clip bool: Si None, est par défaut self.clip(qui est par défaut False).

Remarques

S'ils ne sont pas déjà initialisés, self.vminet self.vmaxsont initialisés à l'aide de self.autoscale_None(value).

mise à l'échelle automatique ( A ) [source] #: Définissez vmin , vmax sur min, max de A .

autoscale_None ( A ) [source] #: Si vmin ou vmax ne sont pas définis, utilisez le min/max de A pour les définir.

clip de propriété #

inverse ( valeur ) [source] #

valeur_processus statique ( valeur ) [source] #

Homogénéisez la valeur d'entrée pour une normalisation simple et efficace.

la valeur peut être un scalaire ou une séquence.

Retours :

tableau masqué de résultats: Tableau masqué avec la même forme que value .
is_scalar booléen: Si la valeur est un scalaire.

Remarques

Les dtypes flottants sont conservés ; les types entiers avec deux octets ou moins sont convertis en np.float32, et les types plus grands sont convertis en np.float64. Préserver float32 lorsque cela est possible et utiliser des opérations sur place améliore considérablement la vitesse des grands tableaux.