matplotlib.colors.Normalize

класс matplotlib.colors.Normalize(vmin=None, vmax=None, clip=False)[source]

Класс, который при вызове линейно нормализует данные в интервал [0.0, 1.0].

Параметры:

Параметры:	vmin, vmaxfloat или None Если vmin и/или vmax не заданы, они инициализируются соответственно минимальным и максимальным значением первого обработанного ввода; т.е., `__call__(A)` вызывает `autoscale_None(A)`. clipbool, по умолчанию: False Если `True` значения, выходящие за пределы диапазона `[vmin, vmax]`, отображаются на 0 или 1, в зависимости от того, что ближе, а значения, замаскированные, устанавливаются в 1. Если `False` значения, замаскированные значения остаются замаскированными. Обрезка скрывает цель установки цветов «сверх», «под» и «замаскированных» в цветовой палитре, поэтому она, вероятно, приведёт к неожиданным результатам; поэтому значение по умолчанию - `clip=False`.

vmin, vmaxfloat или None

Если vmin и/или vmax не заданы, они инициализируются соответственно минимальным и максимальным значением первого обработанного ввода; т.е., __call__(A) вызывает autoscale_None(A).

clipbool, по умолчанию: False

Если True значения, выходящие за пределы диапазона [vmin, vmax], отображаются на 0 или 1, в зависимости от того, что ближе, а значения, замаскированные, устанавливаются в 1. Если False значения, замаскированные значения остаются замаскированными.

Обрезка скрывает цель установки цветов «сверх», «под» и «замаскированных» в цветовой палитре, поэтому она, вероятно, приведёт к неожиданным результатам; поэтому значение по умолчанию - clip=False.

Примечания

Возвращает 0, если vmin == vmax.

__call__(value, clip=None)[source]

Нормализует данные value в интервале [vmin, vmax] в интервал [0.0, 1.0] и возвращает их.

Параметры:	value Данные для нормализации. clipbool Если `None`, по умолчанию `self.clip` (по умолчанию `False`).

Примечания

Если они ещё не инициализированы, self.vmin и self.vmax инициализируются с помощью self.autoscale_None(value).

__dict__ = mappingproxy({'__module__': 'matplotlib.colors', '__doc__': '\n Класс, который при вызове линейно нормализует данные в\n интервал\n ``[0.0, 1.0]``.\n ', '__init__': <функция Normalize.__init__>, 'process_value': <статический метод object>, '__call__': <функция Normalize.__call__>, 'inverse': <функция Normalize.inverse>, 'autoscale': <функция Normalize.autoscale>, 'autoscale_None': <функция Normalize.autoscale_None>, 'scaled': <функция Normalize.scaled>, '__dict__': <атрибут '__dict__' объектов 'Normalize'>, '__weakref__': <атрибут '__weakref__' объектов 'Normalize'>, '__slotnames__': [], '__annotations__': {}})

__init__(vmin=None, vmax=None, clip=False)[source]

Параметры:

Параметры:	vmin, vmaxfloat или None Если vmin и/или vmax не заданы, они инициализируются соответственно минимальным и максимальным значением первого обработанного ввода; т.е., `__call__(A)` вызывает `autoscale_None(A)`. clipbool, по умолчанию: False Если `True` значения, выходящие за пределы диапазона `[vmin, vmax]`, отображаются на 0 или 1, в зависимости от того, что ближе, а значения, замаскированные, устанавливаются в 1. Если `False` значения, замаскированные значения остаются замаскированными. Обрезка скрывает цель установки цветов «сверх», «под» и «замаскированных» в цветовой палитре, поэтому она, вероятно, приведёт к неожиданным результатам; поэтому значение по умолчанию - `clip=False`.

vmin, vmaxfloat или None

clipbool, по умолчанию: False

Примечания

Возвращает 0, если vmin == vmax.

__module__ = 'matplotlib.colors'

__slotnames__ = []

__weakref__: Список слабых ссылок на объект (если определён)

autoscale(A)[source]: Устанавливает vmin, vmax на мин/макс A.

autoscale_None(A)[source]: Если vmin или vmax не заданы, используйте мин/макс A для их установки.

inverse(value)[source]

статический process_value(value)[source]

Гомогенизирует входной параметр value для легкой и эффективной нормализации.

value может быть скаляром или последовательностью.

Возвращает:	resultмаска Маска с той же формой, что и value. is_scalarbool Является ли value скаляром.

Примечания

Типы float сохраняются; целочисленные типы с двумя байтами или меньше преобразуются в np.float32, а более крупные типы — в np.float64. Сохранение float32 при возможности и использование операций на месте значительно ускоряет обработку больших массивов.