Лучший способ инициализировать и заполнить массив numpy?

Я хочу инициализировать и заполнить массив numpy. Каков наилучший способ?

Это работает так, как я ожидаю:

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

Но это не так:

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

Ничего?

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

Мне кажется, что вызов np.empty() возвращает правильный тип объекта, поэтому я не понимаю, почему .fill() не работает?

Назначение результата np.empty() сначала отлично работает:

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

Почему мне нужно назначить переменную, чтобы использовать np.fill()? Не хватает ли лучшей альтернативы?

Ответ 1

np.fill изменяет массив на месте и возвращает None. Поэтому, если вы присваиваете результат имени, оно получает значение None.

Альтернативой является использование выражения, которое возвращает nan, например:

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

Ответ 2

Вы также можете попробовать:

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

Соответствующий документ:

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

Хотя я думаю, что это может быть доступно только в numpy 1.8 +

Ответ 3

Мне это легко запомнить:

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

Из любопытства я приурочил его, и @JoshAdel answer и @shx2 answer далеки быстрее, чем мой с большими массивами.

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

Ответ 4

Просто для справки в будущем, умножение на np.nan работает только из-за математических свойств np.nan. Для общего значения N нужно использовать np.ones() * N, подражая принятому ответу, однако, по скорости, это не очень хороший выбор.

Лучший выбор был бы np.full(), как уже указывалось, и, если это не доступно для вас, np.zeros() + N кажется лучшим выбором, чем np.ones() * N, тогда как np.empty() + N или np.empty() * N просто не подходящее. Обратите внимание, что np.zeros() + N также будет работать, если N np.nan.

%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)