我有一个numpy ndarray a = np.ndarray((3,3))
,并且我希望所有索引都以相同的值开始,例如5:
array([[5., 5., 5.],
[5., 5., 5.],
[5., 5., 5.]])
注意:我发布此问与答样式是因为每次查找时,我总是会发现一堆关于复杂切片的随机问题,但不是一次投射所有内容的简单示例。希望下次我搜索此问题时,它会作为更直接的结果弹出。 但我也希望其他人有我可以采纳的好主意。
答案 0 :(得分:1)
以下是一些可靠的方法:
# Use the function built for this very purpose
>>> a = np.full((3, 3), 5)
>>> a
array([[5., 5., 5.],
[5., 5., 5.],
[5., 5., 5.]])
或
# [:] is shorthand for every index.
>>> a = np.ndarray((3,3))
>>> a[:] = 5
>>> a
array([[5., 5., 5.],
[5., 5., 5.],
[5., 5., 5.]])
或
# multiply a single value over every index (currently all 1s)
>>> a = np.ones((3,3)) * 5
>>> a
array([[5., 5., 5.],
[5., 5., 5.],
[5., 5., 5.]])
查看documentation上的索引以获取更多详细信息和复杂的索引/切片示例
答案 1 :(得分:1)
我似乎还有另一种方法,只需使用加号运算符即可:
>>> import numpy as np
>>> a = np.zeros((3,3))
>>> a
array([[ 0., 0., 0.],
[ 0., 0., 0.],
[ 0., 0., 0.]])
>>> a + 5
array([[ 5., 5., 5.],
[ 5., 5., 5.],
[ 5., 5., 5.]])
>>>
(使用zeros
而不是ndarray
的PS)
答案 2 :(得分:1)
有几种方法可以实现这一目标,但我认为重点是要进行分析,以便为您提供最佳的结果,
In[1]: %timeit np.ones((3,3)) * 5
6.82 µs ± 374 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In[2]: %%timeit
np.ndarray((3,3))
a[:] = 5
1.96 µs ± 29.4 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In[3]: %timeit np.full((3, 3), 5)
4.13 µs ± 59.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
所以,可能最好的方法是创建数组并将值5分配给所有元素,这意味着要使用第二个选项。