np.ones(),np.zeros(), np.empty(),np.full(),np.ones_like() 基本用法

简介: np.ones()

np.ones()

  • Parameters
  • shape , 单个整数,或整数序列,例如(2,3,4)或2;
  • dtype ,数据类型,例如 np.int8, 或 np.float64 ;
  • order , { ‘F’, C’} ,存储多为数组 是以行优先 ’C‘ ,还是列优先 ’F‘ ; 默认’C‘ ,行优先;
  • return: 返回指定类型、形状数组,数组元素全部填充为1;

例子,生成一个 4*2 形状数组,元素全部填充为1,数据类型为 np.int8;

>>> np.ones((4,2),dtype = np.int8)
array([[1, 1],
       [1, 1],
       [1, 1],
       [1, 1]], dtype=int8)


np.ones_like() 返回与输入数组形状相同,但元素全为 1 的数组;

>>> a = np.arange(1,9).reshape(2,4)
>>> np.ones_like(a)
array([[1, 1, 1, 1],
       [1, 1, 1, 1]])


np.empty()返回一个新的未初始化的数组;

>>> np.empty((2,3))
array([[0., 0., 0.],
       [0., 0., 0.]])


np.zeros()返回一个指定类型,形状,元素全为0 的数组,与 np.ones()用法相同;

>>> np.zeros((2,3))
array([[0., 0., 0.],
       [0., 0., 0.]])


np.full() 返回一个指定形状、类型,元素也由用户指定的数组,与np.zeros(),np.ones()用法一样;

  • 指定 value 默认放在第二个参数位置
>>> np.full((2,4),4)
array([[4, 4, 4, 4],
       [4, 4, 4, 4]])
相关文章
|
存储 算法 计算机视觉
np.zeros初始化图像
np.zeros初始化图像
|
2月前
|
索引 Python
Numpy学习笔记(三):np.where和np.logical_and/or/not详解
NumPy库中`np.where`和逻辑运算函数`np.logical_and`、`np.logical_or`、`np.logical_not`的使用方法和示例。
137 1
Numpy学习笔记(三):np.where和np.logical_and/or/not详解
|
7月前
|
存储 数据挖掘 数据格式
np.fromfile
np.fromfile“【5月更文挑战第22天】”
560 3
|
2月前
|
Python
Numpy学习笔记(五):np.concatenate函数和np.append函数用于数组拼接
NumPy库中的`np.concatenate`和`np.append`函数,它们分别用于沿指定轴拼接多个数组以及在指定轴上追加数组元素。
30 0
Numpy学习笔记(五):np.concatenate函数和np.append函数用于数组拼接
|
2月前
|
机器学习/深度学习 索引 Python
Numpy学习笔记(二):argmax参数中axis=0,axis=1,axis=-1详解附代码
本文解释了NumPy中`argmax`函数的`axis`参数在不同维度数组中的应用,并通过代码示例展示了如何使用`axis=0`、`axis=1`和`axis=-1`来找到数组中最大值的索引。
100 0
Numpy学习笔记(二):argmax参数中axis=0,axis=1,axis=-1详解附代码
|
7月前
|
计算机视觉 Python
np.ones
np.ones
128 1
|
7月前
np.where()使用详解
1.函数介绍 np.where函数相当于三元表达式的向量版本,能够针对向量作三元操作,有两种使用方法。 np.where(condition, x, y):当满足第一个参数条件时,where返回x,不满足第一个参数的条件时返回y。
151 0
|
Python
【Numpy】深入剖析Numpy.arange()与range()的区别
【Numpy】深入剖析Numpy.arange()与range()的区别
165 0
|
算法 定位技术
浅谈P、NP、NP-Complate和NP-Hard问题
时间复杂度 时间复杂度并不是表示一个程序解决问题需要花多少时间,而是当程序所处理的问题规模扩大后,程序需要的时间长度对应增长得有多快。 也就是说,对于某一个程序,其处理某一个特定数据的效率不能衡量该程序的好坏,而应该看当这个数据的规模变大到数百倍后,程序运行时间是否还是一样,或者也跟着慢了数百倍,或者变慢了数万倍。 不管数据有多大,程序处理所花的时间始终是那么多的,我们就说这个程序很好,具O(1)O(1)O(1)的时间复杂度,也称常数级复杂度;
|
Python
【Numpy库学习笔记】Numpy中dim、shape和size的理解
【Numpy库学习笔记】Numpy中dim、shape和size的理解
342 0