สร้างเมทริกซ์ที่เต็มไปด้วย NaN

ฉันมีรหัสต่อไปนี้:

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

มันสร้างwidth x height x 9เมทริกซ์ที่เต็มไปด้วยศูนย์ แต่ฉันต้องการทราบว่ามีฟังก์ชั่นหรือวิธีการเริ่มต้นพวกเขาแทนที่จะNaNเป็นในวิธีที่ง่าย

คุณไม่ค่อยต้องการลูปสำหรับการดำเนินการเวกเตอร์ในจำนวนมาก คุณสามารถสร้างอาร์เรย์ที่ไม่ได้กำหนดค่าเริ่มต้นและกำหนดให้กับรายการทั้งหมดได้ในครั้งเดียว:

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

ฉันหมดเวลาทางเลือกa[:] = numpy.nanที่นี่และa.fill(numpy.nan)โพสต์โดย Blaenk:

$ 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

การกำหนดเวลาแสดงการตั้งค่าสำหรับndarray.fill(..)เป็นทางเลือกที่เร็วขึ้น OTOH ฉันชอบความสะดวกของผู้ใช้งานที่คุณสามารถกำหนดค่าให้กับส่วนทั้งหมดในเวลานั้นความตั้งใจของรหัสนั้นชัดเจนมาก

โปรดทราบว่าการndarray.fillดำเนินการดำเนินงานในสถานที่เพื่อจะกลับมาแทนnumpy.empty((3,3,)).fill(numpy.nan)None

อีกตัวเลือกหนึ่งคือการใช้numpy.fullตัวเลือกที่มีอยู่ใน NumPy 1.8+

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

มันมีความยืดหยุ่นและคุณสามารถใส่หมายเลขอื่น ๆ ที่คุณต้องการได้

ฉันเปรียบเทียบทางเลือกที่แนะนำสำหรับความเร็วและพบว่าสำหรับเวกเตอร์ / เมทริกซ์ที่มีขนาดใหญ่พอที่จะเติมเต็มทางเลือกทั้งหมดยกเว้นval * onesและarray(n * [val])เร็วพอ ๆ กัน

รหัสในการทำซ้ำพล็อต:

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)",
)

คุณคุ้นเคยnumpy.nanหรือไม่

คุณสามารถสร้างวิธีการของคุณเองเช่น:

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

แล้วก็

nans([3,4])

จะส่งออก

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

ผมพบว่ารหัสนี้ในหัวข้อรายชื่อผู้รับจดหมาย

คุณสามารถใช้การคูณได้เสมอถ้าคุณจำไม่ได้ทันที.emptyหรือ.fullวิธีการ:

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

แน่นอนมันทำงานได้กับค่าตัวเลขอื่น ๆ เช่นกัน:

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

แต่คำตอบที่ได้รับการยอมรับของ @ u0b34a0f6ae นั้นเร็วกว่า 3 เท่า (รอบการทำงานของ CPU ไม่ใช่รอบการทำงานของสมองที่จะจดจำไวยากรณ์ที่มีอยู่):

$ 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

อีกทางเลือกหนึ่งคือnumpy.broadcast_to(val,n)ผลตอบแทนในเวลาคงที่โดยไม่คำนึงถึงขนาดและยังเป็นหน่วยความจำที่มีประสิทธิภาพมากที่สุด (มันจะคืนค่ามุมมองขององค์ประกอบที่ทำซ้ำ) ข้อแม้คือค่าที่ส่งคืนเป็นแบบอ่านอย่างเดียว

ด้านล่างนี้คือการเปรียบเทียบของการแสดงของทุกวิธีการอื่น ๆ ที่ได้รับการเสนอให้ใช้มาตรฐานเช่นเดียวกับในคำตอบของนิโก้Schlömer

อย่างที่กล่าวไว้ว่า numpy.empty () เป็นวิธีที่จะไป อย่างไรก็ตามสำหรับวัตถุให้เติม () อาจไม่ทำสิ่งที่คุณคิดว่า:

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)

วิธีการหนึ่งสามารถเป็นเช่น:

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)

ความเป็นไปได้อื่นที่ยังไม่ได้กล่าวถึงที่นี่คือการใช้แผ่นกระเบื้อง NumPy:

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

ยังให้

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

ฉันไม่รู้เกี่ยวกับการเปรียบเทียบความเร็ว