初始化和填充 numpy 数组的最佳方法？答案

【问题标题】：Best way to initialize and fill an numpy array?初始化和填充 numpy 数组的最佳方法？
【发布时间】：2014-03-14 19:32:15
【问题描述】：

我想初始化并填充一个numpy 数组。最好的方法是什么？

这符合我的预期：

>>> 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)
>>>

什么都没有？

>>> 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？

【问题讨论】：

标签： python arrays numpy multidimensional-array initialization

【解决方案1】：

你也可以试试：

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

【讨论】：

这是正确的做法。如果您使用的是旧版本，则需要执行 np.zeros(3) + value

【解决方案2】：

np.fill 就地修改数组，并返回None。因此，如果您将结果分配给一个名称，它会得到一个值None。

另一种方法是使用返回 nan 的表达式，例如：

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

【讨论】：

但是请注意，这不适用于通用值，@JoshAdel 的答案对于 NumPy 1.8+ 更好，而对于早期版本 np.zeros(shape) + value 应该使用。请参阅我的答案了解时间。

【解决方案3】：

我觉得这很容易记住：

numpy.array([numpy.nan]*3)

出于好奇，我计时了，@JoshAdel's answer 和 @shx2's answer 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

【讨论】：

【解决方案4】：

仅供参考，np.nan 的乘法仅适用于 np.nan 的数学属性。对于通用值 N，需要使用 np.ones() * N 来模仿已接受的答案，但是，从速度上看，这不是一个非常好的选择。

正如已经指出的那样，最佳选择是np.full()，如果您无法使用，np.zeros() + N 似乎是比np.ones() * N 更好的选择，而np.empty() + N 或np.empty() * N 根本不是合适的。请注意，np.zeros() + N 也可以在 N 为 np.nan 时起作用。

%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)

【讨论】：

【解决方案5】：

如果你不介意None，可以使用：

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

【讨论】：