matplotlib.colors.Normalize

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

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

Параметры:

vmin, vmaxfloat или None

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

clipbool, по умолчанию: False

Если значения, выходящие за пределы диапазона [vmin, vmax], будут отображаться в 0 или 1, в зависимости от того, что ближе, и значения маски будут установлены в 1. Если False значения маски остаются замаскированными.

Обрезка намеренно разрушает цель установки цветов для больших, малых и замаскированных значений в 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 результат.

Параметры:

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

Примечания

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

autoscale(A)[source]: Устанавливает vmin, vmax в минимум и максимум A.

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

propertyclip

inverse(value)[source]

staticprocess_value(value)[source]

Приводит входное значение value к единообразному виду для упрощения и повышения эффективности нормализации.

value может быть скалярным значением или последовательностью.

Возвращает:

resultмассив с маской: Массив с маской, имеющий ту же форму, что и value.
is_scalarbool: Является ли value скалярным значением.

Примечания

Типы float сохраняются; целочисленные типы с двумя байтами или меньше преобразуются в np.float32, а большие типы — в np.float64. Сохранение float32 при возможности и использование операций на месте значительно увеличивает скорость для больших массивов.