Question

我想初始化并填充numpy数组。什么是最好的方式？

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)
>>>

没有什么？

>>> type(np.empty(3))
<type 'numpy.ndarray'>

在我看来，np.empty()调用正在返回正确类型的对象，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])

为什么我需要分配给变量才能使用np.fill()？我错过了一个更好的选择吗？

Answer 1

您也可以尝试：

In [79]: np.full(3, np.nan)
Out[79]: array([ nan,  nan,  nan])

相关文件：

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适用于numpy 1.8 +

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，则其值为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都比我的大阵列快得多。

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，速度方面，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根本不合适。请注意，当np.zeros() + N为N时，np.nan也会有效。

%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

如果您不介意None，可以使用：

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

初始化和填充numpy数组的最佳方法是什么？

5 个答案: