Inicjalizacja tablicy NumPy (wypełnij identycznymi wartościami)

Muszę utworzyć tablicę NumPy o długości n, której każdy element jest v.

Czy jest coś lepszego niż:

a = empty(n)
for i in range(n):
    a[i] = v

Wiem zerosi onesdziałałbym dla v = 0, 1. Mógłbym użyć v * ones(n), ale to nie zadziała, kiedy vjest None, a także byłoby znacznie wolniejsze.

Wprowadzono NumPy 1.8 np.full(), który jest bardziej bezpośrednią metodą niż empty()następnie fill()tworzenie tablicy wypełnionej pewną wartością:

>>> np.full((3, 5), 7)
array([[ 7.,  7.,  7.,  7.,  7.],
       [ 7.,  7.,  7.,  7.,  7.],
       [ 7.,  7.,  7.,  7.,  7.]])

>>> np.full((3, 5), 7, dtype=int)
array([[7, 7, 7, 7, 7],
       [7, 7, 7, 7, 7],
       [7, 7, 7, 7, 7]])

Jest to prawdopodobnie sposób tworzenia tablicę wypełnioną pewnych wartości, ponieważ wyraźnie opisuje, co jest osiągane (i może w zasadzie być bardzo skuteczne, ponieważ wykonuje on bardzo konkretne zadanie).

Zaktualizowano dla Numpy 1.7.0: (Porada dla @Rolf Bartstra.)

a=np.empty(n); a.fill(5) jest najszybszy.

W malejącej kolejności prędkości:

%timeit a=np.empty(1e4); a.fill(5)
100000 loops, best of 3: 5.85 us per loop

%timeit a=np.empty(1e4); a[:]=5 
100000 loops, best of 3: 7.15 us per loop

%timeit a=np.ones(1e4)*5
10000 loops, best of 3: 22.9 us per loop

%timeit a=np.repeat(5,(1e4))
10000 loops, best of 3: 81.7 us per loop

%timeit a=np.tile(5,[1e4])
10000 loops, best of 3: 82.9 us per loop

Uważam, że fillto najszybszy sposób na zrobienie tego.

a = np.empty(10)
a.fill(7)

Powinieneś także zawsze unikać iteracji, tak jak robisz to w swoim przykładzie. Prosty a[:] = vwykona to, co robi twoja iteracja za pomocą nadawania numpy .

Najwyraźniej nie tylko prędkości bezwzględne, ale także kolejność prędkości (zgłoszona przez użytkownika 1579844) zależą od maszyny; oto co znalazłem:

a=np.empty(1e4); a.fill(5) jest najszybszy;

W malejącej kolejności prędkości:

timeit a=np.empty(1e4); a.fill(5) 
# 100000 loops, best of 3: 10.2 us per loop
timeit a=np.empty(1e4); a[:]=5
# 100000 loops, best of 3: 16.9 us per loop
timeit a=np.ones(1e4)*5
# 100000 loops, best of 3: 32.2 us per loop
timeit a=np.tile(5,[1e4])
# 10000 loops, best of 3: 90.9 us per loop
timeit a=np.repeat(5,(1e4))
# 10000 loops, best of 3: 98.3 us per loop
timeit a=np.array([5]*int(1e4))
# 1000 loops, best of 3: 1.69 ms per loop (slowest BY FAR!)

Spróbuj więc dowiedzieć się i użyć najszybszego na swojej platformie.

miałem

numpy.array(n * [value])

na uwadze, ale najwyraźniej jest to wolniejsze niż wszystkie inne propozycje wystarczająco duże n.

Oto pełne porównanie z perfplot (mój projekt dla zwierząt domowych).

Dwie emptyalternatywy są nadal najszybsze (z NumPy 1.12.1). fulldogania dużych tablic.

Kod do wygenerowania wykresu:

import numpy as np
import perfplot


def empty_fill(n):
    a = np.empty(n)
    a.fill(3.14)
    return a


def empty_colon(n):
    a = np.empty(n)
    a[:] = 3.14
    return a


def ones_times(n):
    return 3.14 * np.ones(n)


def repeat(n):
    return np.repeat(3.14, (n))


def tile(n):
    return np.repeat(3.14, [n])


def full(n):
    return np.full((n), 3.14)


def list_to_array(n):
    return np.array(n * [3.14])


perfplot.show(
    setup=lambda n: n,
    kernels=[empty_fill, empty_colon, ones_times, repeat, tile, full, list_to_array],
    n_range=[2 ** k for k in range(27)],
    xlabel="len(a)",
    logx=True,
    logy=True,
)

Możesz użyć numpy.tilenp .:

v = 7
rows = 3
cols = 5
a = numpy.tile(v, (rows,cols))
a
Out[1]: 
array([[7, 7, 7, 7, 7],
       [7, 7, 7, 7, 7],
       [7, 7, 7, 7, 7]])

Chociaż tilema on „kafelkować” tablicę (zamiast skalara, jak w tym przypadku), wykona zadanie, tworząc wstępnie wypełnione tablice o dowolnym rozmiarze i wymiarze.

bez numpy

>>>[2]*3
[2, 2, 2]