Je veux initialiser et remplir un tableau numpy
. Quel est le meilleur moyen?
Cela fonctionne comme je l'espère:
>>> import numpy as np
>>> np.empty(3)
array([ -1.28822975e-231, -1.73060252e-077, 2.23946712e-314])
Mais cela ne veut pas:
>>> np.empty(3).fill(np.nan)
>>>
Rien?
>>> type(np.empty(3))
<type 'numpy.ndarray'>
Il me semble que l'appel np.empty()
renvoie le type d'objet correct. Je ne comprends donc pas pourquoi .fill()
ne fonctionne pas?
Assigner le résultat de np.empty()
first fonctionne très bien:
>>> a = np.empty(3)
>>> a.fill(np.nan)
>>> a
array([ nan, nan, nan])
Pourquoi dois-je affecter une variable pour utiliser np.fill()
? Est-ce que je manque une meilleure alternative?
np.fill
modifie le tableau sur place et renvoie None
. Par conséquent, si vous assignez le résultat à un nom, il prend la valeur None
.
Une alternative consiste à utiliser une expression qui retourne nan
, par exemple:
a = np.empty(3) * np.nan
Vous pouvez aussi essayer:
In [79]: np.full(3, np.nan)
Out[79]: array([ nan, nan, nan])
Le doc pertinent:
Definition: np.full(shape, fill_value, dtype=None, order='C')
Docstring:
Return a new array of given shape and type, filled with `fill_value`.
Bien que je pense que cela pourrait être uniquement disponible dans numpy 1.8+
Je trouve cela facile à retenir:
numpy.array([numpy.nan]*3)
Par curiosité, je l'ai chronométré et les réponses de @ @ JoshAdel et de @ shx2 sont beaucoup plus rapides que les miennes avec de grands tableaux.
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
Juste pour référence future, la multiplication par np.nan
fonctionne uniquement à cause des propriétés mathématiques de np.nan
. Pour une valeur générique N
, il faudrait utiliser np.ones() * N
imitant la réponse acceptée, cependant, en termes de vitesse, ce bon choix.
Le meilleur choix serait np.full()
comme déjà indiqué, et si ce n'est pas disponible pour vous, np.zeros() + N
semble être un meilleur choix que np.ones() * N
, alors que np.empty() + N
ou np.empty() * N
ne sont tout simplement pas appropriés. Notez que np.zeros() + N
fonctionnera également lorsque N
sera 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)