我想初始化并填充一个
numpy
数组。最好的方法是什么?
这正如我所期望的那样:
>>> import numpy as np
>>> np.empty(3)
array([ -1.28822975e-231, -1.73060252e-077, 2.23946712e-314])
但这不是:
>>> np.empty(3).fill(np.nan)
>>>
什么也没有?
>>> type(np.empty(3))
<type 'numpy.ndarray'>
在我看来,
np.empty()
调用返回了正确类型的对象,所以我不明白为什么.fill()
不起作用?
首先分配
np.empty()
的结果可以正常工作:
>>> a = np.empty(3)
>>> a.fill(np.nan)
>>> a
array([ nan, nan, nan])
为什么我需要分配一个变量才能使用
np.fill()
?我错过了更好的选择吗?
您也可以尝试:
In [79]: np.full(3, np.nan)
Out[79]: array([ nan, nan, nan])
相关文档:
Definition: np.full(shape, fill_value, dtype=None, order='C')
Docstring:
Return a new array of given shape and type, filled with `fill_value`.
虽然我认为这可能仅在 numpy 1.8+ 中可用
我发现这很容易记住:
numpy.array([numpy.nan]*3)
出于好奇,我计时了一下,@JoshAdel 的答案和@shx2 的答案都比我的大数组快得多。
In [34]: %timeit -n10000 numpy.array([numpy.nan]*10000)
10000 loops, best of 3: 273 µs per loop
In [35]: %timeit -n10000 numpy.empty(10000)* numpy.nan
10000 loops, best of 3: 6.5 µs per loop
In [36]: %timeit -n10000 numpy.full(10000, numpy.nan)
10000 loops, best of 3: 5.42 µs per loop
仅供将来参考,乘以
np.nan
之所以有效,只是因为 np.nan
的数学特性。
对于通用值 N
,需要使用 np.ones() * N
来模仿已接受的答案,但是,就速度而言,这不是一个非常好的选择。
最好的选择是
np.full()
,正如已经指出的,如果这不适合您,np.zeros() + N
似乎是比 np.ones() * N
更好的选择,而 np.empty() + N
或 np.empty() * N
根本不合适。请注意,当 np.zeros() + N
为 N
时,np.nan
也将起作用。
%timeit x = np.full((1000, 1000, 10), 432.4)
8.19 ms ± 97.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit x = np.zeros((1000, 1000, 10)) + 432.4
9.86 ms ± 55.1 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit x = np.ones((1000, 1000, 10)) * 432.4
17.3 ms ± 104 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit x = np.array([432.4] * (1000 * 1000 * 10)).reshape((1000, 1000, 10))
316 ms ± 37.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
如果你不介意
None
,你可以使用:
a = np.empty(3, dtype=object)