关于python：初始化和填充numpy数组的最佳方法？

Best way to initialize and fill an numpy array?

我想初始化并填充一个numpy数组。最好的方法是什么？

如我所料：

1
2
3

>>> import numpy as np
>>> np.empty(3)
array([ -1.28822975e-231, -1.73060252e-077, 2.23946712e-314])

但这并不是：

1 2	>>> np.empty(3).fill(np.nan) >>>

没有什么？

1 2	>>> type(np.empty(3)) <type 'numpy.ndarray'>

在我看来，np.empty()调用返回的对象类型是正确的，所以我不明白为什么.fill()不起作用？

先把np.empty()的结果赋值就行了：

1
2
3
4

>>> a = np.empty(3)
>>> a.fill(np.nan)
>>> a
array([ nan, nan, nan])

为什么我需要给变量赋值才能使用np.fill()？我是否缺少更好的选择？

你也可以尝试

ZZU1

The relevant doc:

1
2
3

Definition: np.full(shape, fill_value, dtype=None, order='C')
Docstring:
Return a new array of given shape and type, filled with `fill_value`.

Although I think this might be only available in numpy 1.8+

相关讨论

我觉得这很容易记起来：

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

我不好奇，我是时候回答了，而且@joshadel's answer and@shx2's answer are faster than mine with large arrays.

1
2
3
4
5
6
7
8

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

Just for future reference，the乘法by np.nanonly works because of the mathematical property of np.nan对于一个通用的价值N，一个需要使用np.ones() * N的人来说，模仿接受的答案，但是，速度-广大，这不是一个可怕的选择。

最好的选择将是np.full()，如果不是为你准备的，np.zeros() + N似乎比np.ones() * N更好的选择，而np.empty() + N或np.empty() * N是简单的。注：当N是np.nan时，也会工作。

1
2
3
4
5
6
7
8
9
10
11

%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)