如何在Python中创建一个指定维度、特定类型且初始化为同一值的数组？

Question

我想在Python中创建一些特定尺寸、特定类型的数组，并初始化为相同的值。我可以使用特定大小的NumPy数组，但不确定如何用特定值初始化它们。当然，我不想使用zeros()或ones()。

非常感谢。

- Shan

Answer 1

有很多方法可以做到这一点。我想到的第一个单行代码是tile：

>>> numpy.tile(2, 25)
array([2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 
       2, 2, 2, 2, 2])

您可以在任何形状中平铺一个值：

>>> numpy.tile(2, (5, 5))
array([[2, 2, 2, 2, 2],
       [2, 2, 2, 2, 2],
       [2, 2, 2, 2, 2],
       [2, 2, 2, 2, 2],
       [2, 2, 2, 2, 2]])

然而，正如下面的一些答案所示，这并不是最快的方法。它适用于任何大小的平铺数组，而不仅仅是单个值，因此如果您只想用单个值填充一个数组，那么最好先分配数组，然后使用切片赋值：

>>> a = numpy.empty((5, 5), dtype=int)
>>> a[:] = 2
>>> a
array([[2, 2, 2, 2, 2],
       [2, 2, 2, 2, 2],
       [2, 2, 2, 2, 2],
       [2, 2, 2, 2, 2],
       [2, 2, 2, 2, 2]])

根据我的几项测试，没有更快的方法。然而，在下面的答案中提到的两种方法同样快速：ndarray.fill 和 numpy.full。

这些测试均在新的Mac电脑上运行OS 10.12.6，使用Python 3.6.1和ipython进行。

def fill_tile(value, shape):
    return numpy.tile(value, shape)

def fill_assign(value, shape, dtype):
    new = numpy.empty(shape, dtype=dtype)
    new[:] = value
    return new

def fill_fill(value, shape, dtype):
    new = numpy.empty(shape, dtype=dtype)
    new.fill(value)
    return new

def fill_full(value, shape, dtype):
    return numpy.full(shape, value, dtype=dtype)

def fill_plus(value, shape, dtype):
    new = numpy.zeros(shape, dtype=dtype)
    new += value
    return new

def fill_plus_oneline(value, shape, dtype):
    return numpy.zeros(shape, dtype=dtype) + value

for f in [fill_assign, fill_fill, fill_full, fill_plus, fill_plus_oneline]:
    assert (fill_tile(2, (500, 500)) == f(2, (500, 500), int)).all()

tile 的确非常慢：

In [3]: %timeit fill_tile(2, (500, 500))
947 µs ± 10.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

切片赋值与ndarray.fill和numpy.full并列第一：

In [4]: %timeit fill_assign(2, (500, 500), int)
102 µs ± 1.37 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [5]: %timeit fill_fill(2, (500, 500), int)
102 µs ± 1.99 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [6]: %timeit fill_full(2, (500, 500), int)
102 µs ± 1.47 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

就地广播加法仅稍慢:

In [7]: %timeit fill_plus(2, (500, 500), int)
179 µs ± 3.7 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

并且非就地广播加法只比它慢一点：

In [8]: %timeit fill_plus_oneline(2, (500, 500), int)
213 µs ± 4.74 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

- senderle

---

谢谢，对于Nd数组它是如何工作的？我想要通用地传递参数，而且不想在之后使用reshape函数。 - Shan

@ Shan，你看了我的第二个例子吗？ - senderle

@senderler，是的，我试了一下，可以了，谢谢你的答复。我想采纳这个答案，但还需要等6分钟。 - Shan

Answer 2

如何呢：

shape = (100,100)
val = 3.14
dt = np.float
a = np.empty(shape,dtype=dt)
a.fill(val)

通过这种方式，您可以设置和传递参数。此外，在时间方面

In [35]: %timeit a=np.empty(shape,dtype=dt); a.fill(val)
100000 loops, best of 3: 13 us per loop

In [36]: %timeit a=np.tile(val,shape)
10000 loops, best of 3: 102 us per loop

因此，使用fill与empty似乎比tile更快。

- JoshAdel

---

是的，这也可以工作，但Senderle提出的解决方案更简单且有效...你的解决方案在参数和正确性方面更加优雅。 - Shan

@Shan，没问题（如果你觉得它有用且是更好的解决方案，请点赞并将其标记为正确答案）。 - JoshAdel

@JoshAdel，现在我很困惑该选择哪个答案...我已经接受了一个答案...你的看起来更有效率。 - Shan

@JoshAdel，我不清楚这些在参数方面是否有显著差异——tile只是从参数的类型推断出dtype，你可以通过传递numpy.int64(x)或其他方式来明确它。但速度提升可能是显著的，具体取决于使用情况；在这里，似乎存在可读性和速度之间的小折衷。+1——我很高兴知道这一点。@Shan，你应该接受满足你需求的任何答案。如果你选择接受这个答案，我也不会生气 :) - senderle

@senderle，就传递参数而言，它们本质上是相同的，正如你所说。我只强调将它们设置为函数调用外部，因为OP提到了它。不过，我不知道我的解决方案是否真的比你的更易读。 - JoshAdel

Answer 3

从NumPy 1.8开始，您可以使用numpy.full()来实现此功能。

>>> import numpy as np
>>> np.full((3,4), 100, dtype = int)
array([[ 100,  100,  100,  100],
       [ 100,  100,  100,  100],
       [ 100,  100,  100,  100]])

- Ricardo

---

似乎比np.zeros((N,M),dtype=int)+100快了2倍。 - hpaulj

Answer 4

你是否在寻找类似这样的东西？

>>> [3 for x in range(10)]
[3, 3, 3, 3, 3, 3, 3, 3, 3, 3]

您可以将生成的数组传递给 numpy.array。

- Andrew Hare

---

不，列表推导式并不会返回 NumPy 数组。 - user395760