Создать пустую матрицу, заполненную NaNs

Ответ 1

Вам редко нужны циклы для векторных операций в numpy. Вы можете создать неинициализированный массив и назначить сразу все записи:

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

Я приурочил альтернативы a[:] = numpy.nan здесь и a.fill(numpy.nan) как опубликовано 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

Тайминги предпочитают ndarray.fill(..) как более быструю альтернативу. OTOH, мне нравится реализация удобства numpy, где вы можете назначать значения целым фрагментам в то время, намерение кода очень ясно.

Ответ 2

Другой вариант - использовать numpy.full, параметр, доступный в NumPy 1. 8+

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

Это довольно гибкий способ, и вы можете заполнить его любым другим номером.

Ответ 3

Я сравнил предложенные альтернативы по скорости и обнаружил, что для заполнения достаточно больших векторов/матриц 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)'
    )

Ответ 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

Тогда

nans([3,4])

выводит

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

Я нашел этот код в списке рассылки.

Ответ 5

Вы всегда можете использовать умножение, если не сразу вспомните методы .empty или .full:

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

Конечно, он работает и с любым другим численным значением:

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

Но принятый ответ @u0b34a0f6ae был в 3 раза быстрее (циклы CPU, а не циклы мозгов, чтобы запомнить синтаксис 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)[email protected]:~/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

Ответ 6

Как сказано, numpy.empty() - это путь. Однако для объектов fill() может не делать 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)

Ответ 7

Другой альтернативой является numpy.broadcast_to(val,n), который возвращается в постоянное время независимо от размера, а также наиболее эффективно использует память (он возвращает представление повторяющегося элемента). Предупреждение: возвращаемое значение доступно только для чтения.

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

Ответ 8

Еще одна возможность, еще не упомянутая здесь, - использовать NumPy tile:

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

Также дает

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

Я не знаю о сравнении скорости.