如何创建一个全部为 True 或全部为 False 的 numpy 数组？答案

【问题标题】：How to create a numpy array of all True or all False?如何创建一个全部为 True 或全部为 False 的 numpy 数组？
【发布时间】：2014-02-06 03:18:29
【问题描述】：

在 Python 中，如何创建一个任意形状的 numpy 数组，其中填充全部为 True 或全部为 False？

【问题讨论】：

标签： python arrays numpy boolean numpy-ndarray

【解决方案1】：

numpy 允许非常轻松地创建全为 1 或全为零的数组：

例如numpy.ones((2, 2)) 或 numpy.zeros((2, 2))

由于True 和False 在Python 中分别表示为1 和0，因此我们只需使用可选的dtype 参数指定此数组应为布尔值，我们就完成了。

numpy.ones((2, 2), dtype=bool)

返回：

array([[ True,  True],
       [ True,  True]], dtype=bool)

更新日期：2013 年 10 月 30 日

由于 numpy version 1.8，我们可以使用 full 来实现相同的结果，其语法更清楚地表明了我们的意图（正如 fmonegaglia 指出的那样）：

numpy.full((2, 2), True, dtype=bool)

更新日期：2017 年 1 月 16 日

由于至少numpy version 1.12，full 自动将结果转换为第二个参数的dtype，所以我们可以直接写：

numpy.full((2, 2), True)

【讨论】：

dtype=int 初始化数组不能用于数组元素选择。
这行得通。但是，要小心，因为正如@Jichao 所说，a=np.ones((2,2)) 后跟a.dtype=bool 不起作用。
answer 假定具有 dtype bool 的 np.ones 或 np.zeros 必须将 int 数组转换为布尔值。这个假设是真的吗？我认为它会创建布尔数组并且不会先创建 int 数组然后再进行转换。如果我是对的，请更正这个答案

【解决方案2】：

numpy.full((2,2), True, dtype=bool)

【讨论】：

+1 我认为这应该是公认的答案。用布尔值填充数组似乎比用数字填充将它们转换为布尔值更自然。
ones 和 zeros 答案不构造整数数组。他们直接构建了一个布尔数组。
numpy.full((2,2), True) 是等价的吗？
它在 numpy 1.12+ 中。我不记得它是否适用于以前的版本
Surly dtype 是否尽可能与数据本身分开存储？我无法想象 numpy 做任何繁重的工作来将 int 1 转换为 bool True。

【解决方案3】：

ones 和 zeros，分别创建全为 1 和 0 的数组，采用可选的 dtype 参数：

>>> numpy.ones((2, 2), dtype=bool)
array([[ True,  True],
       [ True,  True]], dtype=bool)
>>> numpy.zeros((2, 2), dtype=bool)
array([[False, False],
       [False, False]], dtype=bool)

【讨论】：

【解决方案4】：

如果它不必是可写的，您可以使用np.broadcast_to 创建这样一个数组：

>>> import numpy as np
>>> np.broadcast_to(True, (2, 5))
array([[ True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True]], dtype=bool)

如果你需要它可写，你也可以自己创建一个空数组并fill它：

>>> arr = np.empty((2, 5), dtype=bool)
>>> arr.fill(1)
>>> arr
array([[ True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True]], dtype=bool)

这些方法只是替代建议。一般来说，您应该像其他答案所建议的那样坚持使用np.full、np.zeros 或np.ones。

【讨论】：

【解决方案5】：

Michael Currie 回答的基准

import perfplot

bench_x = perfplot.bench(
    n_range= range(1, 200),
    setup  = lambda n: (n, n),
    kernels= [
        lambda shape: np.ones(shape, dtype= bool),
        lambda shape: np.full(shape, True)
    ],
    labels = ['ones', 'full']
)

bench_x.show()

【讨论】：

【解决方案6】：

赶紧跑个timeit看看np.full和np.ones版本有什么区别。

答案：否

import timeit

n_array, n_test = 1000, 10000
setup = f"import numpy as np; n = {n_array};"

print(f"np.ones: {timeit.timeit('np.ones((n, n), dtype=bool)', number=n_test, setup=setup)}s")
print(f"np.full: {timeit.timeit('np.full((n, n), True)', number=n_test, setup=setup)}s")

结果：

np.ones: 0.38416870904620737s
np.full: 0.38430388597771525s

重要

关于np.empty的帖子（我无法评论，因为我的声誉太低了）：

不要那样做。不要使用np.empty 来初始化一个全True 数组

由于数组为空，内存没有写入，也无法保证你的值是什么，例如

>>> print(np.empty((4,4), dtype=bool))
[[ True  True  True  True]
 [ True  True  True  True]
 [ True  True  True  True]
 [ True  True False False]]

【讨论】：

【解决方案7】：

>>> a = numpy.full((2,4), True, dtype=bool)
>>> a[1][3]
True
>>> a
array([[ True,  True,  True,  True],
       [ True,  True,  True,  True]], dtype=bool)

numpy.full（大小，标量值，类型）。还有其他参数可以传递，有关文档，请查看https://docs.scipy.org/doc/numpy/reference/generated/numpy.full.html

【讨论】：

好吧，another answer 已经使用 np.full 回答了 - 一年多以前！