1 基本介绍

对原本的矩阵进行填充

numpy.pad(array, pad_width, mode='constant', **kwargs)

array	待填充的矩阵
pad_width	要填充的位置
mode	填充方式

2 参数举例

2.0 使用的数据

import numpy as np
a=np.arange(12).reshape(3,4)
a
'''
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
'''

2.1 pad_width

先行后列

np.pad(a,((1,2)),'constant',constant_values=-1)
'''
array([[-1, -1, -1, -1, -1, -1, -1],
       [-1,  0,  1,  2,  3, -1, -1],
       [-1,  4,  5,  6,  7, -1, -1],
       [-1,  8,  9, 10, 11, -1, -1],
       [-1, -1, -1, -1, -1, -1, -1],
       [-1, -1, -1, -1, -1, -1, -1]])
'''
#左边和上面填充1格，右边和下面填充2格

np.pad(a,((1,2),(3,4)),
       'constant',constant_values=-1)
'''
array([[-1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1],
       [-1, -1, -1,  0,  1,  2,  3, -1, -1, -1, -1],
       [-1, -1, -1,  4,  5,  6,  7, -1, -1, -1, -1],
       [-1, -1, -1,  8,  9, 10, 11, -1, -1, -1, -1],
       [-1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1],
       [-1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1]])
'''
#上一行下两行，左3行右4行

2.2 mode

2.2.1  constant

用常数填充，可用constant_values设置

np.pad(a,((1,2)),'constant',constant_values=-1)
'''
array([[-1, -1, -1, -1, -1, -1, -1],
       [-1,  0,  1,  2,  3, -1, -1],
       [-1,  4,  5,  6,  7, -1, -1],
       [-1,  8,  9, 10, 11, -1, -1],
       [-1, -1, -1, -1, -1, -1, -1],
       [-1, -1, -1, -1, -1, -1, -1]])
'''
#均填充一样的值

np.pad(a,((1,2)),'constant',constant_values=(3,4))
'''
array([[ 3,  3,  3,  3,  3,  4,  4],
       [ 3,  0,  1,  2,  3,  4,  4],
       [ 3,  4,  5,  6,  7,  4,  4],
       [ 3,  8,  9, 10, 11,  4,  4],
       [ 3,  4,  4,  4,  4,  4,  4],
       [ 3,  4,  4,  4,  4,  4,  4]])
'''

np.pad(a,((1,2),(3,4)),
       'constant',constant_values=(-1,-2))
'''
array([[-1, -1, -1, -1, -1, -1, -1, -2, -2, -2, -2],
       [-1, -1, -1,  0,  1,  2,  3, -2, -2, -2, -2],
       [-1, -1, -1,  4,  5,  6,  7, -2, -2, -2, -2],
       [-1, -1, -1,  8,  9, 10, 11, -2, -2, -2, -2],
       [-1, -1, -1, -2, -2, -2, -2, -2, -2, -2, -2],
       [-1, -1, -1, -2, -2, -2, -2, -2, -2, -2, -2]])
'''
#上和左是第一个值，下和右是第二个值
#左下算左，右上算右

np.pad(a,((1,2),(3,4)),
       'constant',constant_values=((-1,-2),(-3,-4)))
'''
array([[-3, -3, -3, -1, -1, -1, -1, -4, -4, -4, -4],
       [-3, -3, -3,  0,  1,  2,  3, -4, -4, -4, -4],
       [-3, -3, -3,  4,  5,  6,  7, -4, -4, -4, -4],
       [-3, -3, -3,  8,  9, 10, 11, -4, -4, -4, -4],
       [-3, -3, -3, -2, -2, -2, -2, -4, -4, -4, -4],
       [-3, -3, -3, -2, -2, -2, -2, -4, -4, -4, -4]])
'''
#先行后列，行上1下2，列左3右4

2.2.2 edge

用边缘填充

np.pad(a,((1,2),(3,4)),
       'edge')

 2.2.3 linear_ramp

边缘递减，即取得是递减到0时的数

np.pad(a,((1,2),(3,4)),
       'linear_ramp')

 2.2.4 maximum

选取最大的进行填充，注意二维是先进行选择最大填充行（蓝），再选择最大填充列（绿）

np.pad(a,((1,2),(3,4)),
       'maximum')

 2.2.5 mean 均值

同样先行后列（向上取整）

np.pad(a,((1,2),(3,4)),
       'mean')

 2.2.6 median 中位数

同样先行后列（向上取整）

np.pad(a,((1,2),(3,4)),
       'median')

2.2.7 minmum 最小值

同样先行后列

np.pad(a,((1,2),(3,4)),
       'minimum')

 2.2.8 reflect 关于边缘值对称

np.pad(a,((1,2),(3,4)),
       'reflect')

 2.2.9 symmetric 赋值边缘值的对称

np.pad(a,((1,2),(3,4)),
       'symmetric')