初始化和填充 numpy 数组的最佳方法？ [重复]

Question

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？

Answer 1

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

Answer 2

np.fill

就地修改数组，并返回

None

。因此，如果您将结果分配给名称，它将获得值

None

。

另一种方法是使用返回

nan

的表达式，例如：

a = np.empty(3) * np.nan

Answer 3

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

Answer 4

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)

Answer 5

如果你不介意

None

，你可以使用：

a = np.empty(3, dtype=object)