web-dev-qa-db-fra.com

Initialisation du tableau NumPy (remplir avec des valeurs identiques)

J'ai besoin de créer un tableau NumPy de longueur n, dont chaque élément est v.

Y a-t-il quelque chose de mieux que:

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

Je sais que zeros et ones fonctionneraient pour v = 0, 1. Je pourrais utiliser v * ones(n), mais ne fonctionnera pas quand v est None, et aussi serait beaucoup plus lent.

pythonarraysnumpy
197
max

NumPy 1.8 introduit np.full() , méthode plus directe que empty() suivie de fill() pour créer un tableau rempli d'une certaine valeur:

>>> 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]])

C’est sans doute le moyen de créer un tableau rempli de certaines valeurs, car il décrit explicitement ce qui est en train d’être réalisé (et il peut en principe être très efficace puisque il effectue une tâche très spécifique).

252
Eric O Lebigot

Mise à jour pour Numpy 1.7.0: (Hat-tip à @Rolf Bartstra.)

a=np.empty(n); a.fill(5) est le plus rapide.

En ordre de vitesse décroissant:

%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
88
Yariv

Je crois que fill est le moyen le plus rapide de le faire.

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

Vous devriez également toujours éviter de répéter ce que vous faites dans votre exemple. Un simple a[:] = v accomplira ce que votre itération fait avec numpy broadcast .

63
Paul

Apparemment, non seulement les vitesses absolues mais également la vitesse ordre (telle que rapportée par l'utilisateur1579844) dépendent de la machine; voici ce que j'ai trouvé:

a=np.empty(1e4); a.fill(5) est le plus rapide;

En ordre de vitesse décroissant:

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!)

Essayez donc de savoir et d’utiliser ce qui est le plus rapide sur votre plate-forme.

15
Rolf Bartstra

J'avais

numpy.array(n * [value])

à l'esprit, mais apparemment, c'est plus lent que toutes les autres suggestions assez grandes n.

Voici une comparaison complète avec perfplot (un de mes projets pour animaux de compagnie).

enter image description here

Les deux alternatives empty sont toujours les plus rapides (avec NumPy 1.12.1). full rattrape les grands tableaux.

Code pour générer l'intrigue:

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,
    )
9
Nico Schlömer

Vous pouvez utiliser numpy.tile, par exemple. :

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]])

Bien que tile soit destiné à "paver" un tableau (au lieu d'un scalaire, comme dans ce cas), il effectuera le travail en créant des tableaux préremplis de toutes tailles et de toutes dimensions.

6
Rolf Bartstra

sans numpy

>>>[2]*3
[2, 2, 2]
2
Mr.Green