Инициализация матрицы numpy значением, отличным от нуля или единицы

Question

У меня есть следующий код:

r = numpy.zeros(shape = (width, height, 9))

Он создает матрицу ширины x высоты x 9, заполненную нулями.Вместо этого я хотел бы знать, есть ли функция или способ инициализировать их вместо NaN.

Есть ли?Без необходимости прибегать к ручному выполнению циклов и тому подобному?

Спасибо

Answer 1

Вам редко нужны циклы для векторных операций в numpy.Вы можете создать неинициализированный массив и назначить его всем записям сразу:

>>> a = numpy.empty((3,3,))
>>> a[:] = numpy.nan
>>> a
array([[ NaN,  NaN,  NaN],
       [ NaN,  NaN,  NaN],
       [ NaN,  NaN,  NaN]])

---

Я рассчитал альтернативы a[:] = numpy.nan здесь и a.fill(numpy.nan) как написал Бленк:

$ python -mtimeit "import numpy as np; a = np.empty((100,100));" "a.fill(np.nan)"
10000 loops, best of 3: 54.3 usec per loop
$ python -mtimeit "import numpy as np; a = np.empty((100,100));" "a[:] = np.nan" 
10000 loops, best of 3: 88.8 usec per loop

Тайминги показывают предпочтение ndarray.fill(..) как более быстрая альтернатива.OTOH, мне нравится удобная реализация numpy, где вы можете присваивать значения целым фрагментам одновременно, цель кода очень ясна.

Answer 2

Другой вариант — использовать numpy.full, опция доступна в NumPy 1.8+

a = np.full([height, width, 9], np.nan)

Это довольно гибко, и вы можете заполнить его любым другим числом, которое захотите.

Answer 3

Я сравнил предложенные альтернативы по скорости и обнаружил, что для достаточно больших векторов/матриц для заполнения все альтернативы, кроме val * ones и array(n * [val]) одинаково быстры.

---

Код для воспроизведения сюжета:

import numpy
import perfplot

val = 42.0


def fill(n):
    a = numpy.empty(n)
    a.fill(val)
    return a


def colon(n):
    a = numpy.empty(n)
    a[:] = val
    return a


def full(n):
    return numpy.full(n, val)


def ones_times(n):
    return val * numpy.ones(n)


def list(n):
    return numpy.array(n * [val])


perfplot.show(
    setup=lambda n: n,
    kernels=[fill, colon, full, ones_times, list],
    n_range=[2**k for k in range(20)],
    logx=True,
    logy=True,
    xlabel='len(a)'
    )

Answer 4

Вы знакомы с numpy.nan?

Вы можете создать свой собственный метод, например:

def nans(shape, dtype=float):
    a = numpy.empty(shape, dtype)
    a.fill(numpy.nan)
    return a

Затем

nans([3,4])

вывел бы

array([[ NaN,  NaN,  NaN,  NaN],
       [ NaN,  NaN,  NaN,  NaN],
       [ NaN,  NaN,  NaN,  NaN]])

Я нашел этот код в ветка списка рассылки.

Answer 5

Вы всегда можете воспользоваться умножением, если не сразу вспомните .empty или .full методы:

>>> np.nan * np.ones(shape=(3,2))
array([[ nan,  nan],
       [ nan,  nan],
       [ nan,  nan]])

Конечно, это работает и с любым другим числовым значением:

>>> 42 * np.ones(shape=(3,2))
array([[ 42,  42],
       [ 42,  42],
       [ 42, 42]])

Но @ u0b34a0f6ae принятый ответ в 3 раза быстрее (циклы процессора, а не циклы мозга для запоминания синтаксиса numpy;):

$ python -mtimeit "import numpy as np; X = np.empty((100,100));" "X[:] = np.nan;"
100000 loops, best of 3: 8.9 usec per loop
(predict)laneh@predict:~/src/predict/predict/webapp$ master
$ python -mtimeit "import numpy as np; X = np.ones((100,100));" "X *= np.nan;"
10000 loops, best of 3: 24.9 usec per loop

Answer 6

Как уже было сказано, лучше всего использовать numpy.empty().Однако для объектов fill() может делать не совсем то, что вы думаете:

In[36]: a = numpy.empty(5,dtype=object)
In[37]: a.fill([])
In[38]: a
Out[38]: array([[], [], [], [], []], dtype=object)
In[39]: a[0].append(4)
In[40]: a
Out[40]: array([[4], [4], [4], [4], [4]], dtype=object)

Одним из способов может быть, например:

In[41]: a = numpy.empty(5,dtype=object)
In[42]: a[:]= [ [] for x in range(5)]
In[43]: a[0].append(4)
In[44]: a
Out[44]: array([[4], [], [], [], []], dtype=object)

Answer 7

Другой альтернативой является numpy.broadcast_to(val,n) который возвращается в постоянное время независимо от размера, а также является наиболее эффективным с точки зрения использования памяти (он возвращает представление повторяющегося элемента).Предостережение заключается в том, что возвращаемое значение доступно только для чтения.

Ниже приведено сравнение производительности всех других методов, которые были предложены с использованием того же теста, что и в Ответ Нико Шлёмера.

Answer 8

Еще одна возможность, еще не упомянутая здесь, — это использование плитки NumPy:

a = numpy.tile(numpy.nan, (3, 3))

Также дает

array([[ NaN,  NaN,  NaN],
       [ NaN,  NaN,  NaN],
       [ NaN,  NaN,  NaN]])

Я не знаю, как сравнивать скорости.