NumPy-Array-Initialisierung (mit identischen Werten füllen)

Ich muss ein NumPy-Array mit einer Länge erstellen n, von denen jedes Element ist v.

Gibt es etwas Besseres als:

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

Ich weiß zerosund oneswürde für v = 0, 1 arbeiten. Ich könnte verwenden v * ones(n), aber es wird nicht funktionieren, wenn es vist None, und wäre auch viel langsamer.

NumPy 1.8 wurde eingeführt. Dies np.full()ist eine direktere Methode als die empty()folgende, fill()um ein Array mit einem bestimmten Wert zu erstellen:

>>> 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]])

Dies ist wohl die Art und Weise, ein Array mit bestimmten Werten zu erstellen, da es explizit beschreibt, was erreicht wird (und im Prinzip sehr effizient sein kann, da es eine sehr spezifische Aufgabe ausführt).

Aktualisiert für Numpy 1.7.0: (Hutspitze zu @Rolf Bartstra.)

a=np.empty(n); a.fill(5) ist am schnellsten.

In absteigender Geschwindigkeitsreihenfolge:

%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

Ich glaube, das fillist der schnellste Weg, dies zu tun.

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

Sie sollten auch immer vermeiden, wie in Ihrem Beispiel zu iterieren. Mit einer einfachen Funktion a[:] = vkönnen Sie mithilfe von Numpy Broadcasting erreichen, was Ihre Iteration bewirkt .

Offenbar nicht nur die absoluten Geschwindigkeiten , sondern auch die Geschwindigkeit , um (wie durch user1579844 berichtete) sind maschinenabhängig; Folgendes habe ich gefunden:

a=np.empty(1e4); a.fill(5) ist am schnellsten;

In absteigender Geschwindigkeitsreihenfolge:

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!)

Versuchen Sie also herauszufinden, was auf Ihrer Plattform am schnellsten ist.

ich hatte

numpy.array(n * [value])

im Kopf, aber anscheinend ist das langsamer als alle anderen Vorschläge für groß genug n.

Hier ist ein vollständiger Vergleich mit Perfplot (einem meiner Lieblingsprojekte ).

Die beiden emptyAlternativen sind immer noch die schnellsten (mit NumPy 1.12.1). fullholt große Arrays ein.

Code zum Generieren des Plots:

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,
)

Sie können numpy.tilezB verwenden:

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]])

Obwohl tileein Array "kacheln" soll (anstelle eines Skalars, wie in diesem Fall), erledigt es die Aufgabe und erstellt vorgefüllte Arrays beliebiger Größe und Dimension.

ohne numpy

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