matplotlib.colors.Normalize #

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

Bases:object

Uma classe que, quando chamada, normaliza linearmente os dados no intervalo.[0.0, 1.0]

Parâmetros :

vmin, vmax flutuante ou nenhum

Caso vmin e/ou vmax não sejam informados, eles são inicializados a partir do valor mínimo e máximo, respectivamente, da primeira entrada processada; ou seja, __call__(A)chama autoscale_None(A).

clip bool, padrão: False

Se Trueos valores estiverem fora do intervalo , serão mapeados para 0 ou 1, o que for mais próximo, e os valores mascarados serão definidos como 1. Se os valores mascarados permanecerem mascarados.[vmin, vmax]False

O recorte silenciosamente anula o propósito de definir as cores sobre, abaixo e mascaradas em um mapa de cores, portanto, é provável que leve a surpresas; portanto, o padrão é clip=False.

Notas

Retorna 0 se .vmin == vmax

__call__ ( valor , clipe = Nenhum ) [fonte] #

Normalize os dados de valor no intervalo para o intervalo e retorne-os.[vmin, vmax][0.0, 1.0]

Parâmetros :

valor: Dados para normalizar.
clipe bool: Se None, o padrão é self.clip(que é o padrão False).

Notas

Se ainda não estiver inicializado self.vmine self.vmaxfor inicializado usando self.autoscale_None(value).

escala automática ( A ) [fonte] #: Defina vmin , vmax para min, max de A .

autoscale_None ( A ) [fonte] #: Se vmin ou vmax não estiverem definidos, use o min/max de A para defini-los.

clipe de propriedade #

inverso ( valor ) [fonte] #

process_value estático ( valor ) [fonte] #

Homogeneize o valor de entrada para uma normalização fácil e eficiente.

o valor pode ser um escalar ou uma sequência.

Devoluções :

matriz mascarada de resultado: Array mascarado com a mesma forma de value .
is_scalar bool: Se o valor é um escalar.

Notas

Tipos flutuantes são preservados; tipos inteiros com dois bytes ou menores são convertidos em np.float32 e tipos maiores são convertidos em np.float64. Preservar float32 quando possível e usar operações no local melhora muito a velocidade de grandes matrizes.