Python np.full（大小，0）vs.np.zero（大小）vs.np.empty（）

如果要从以下三种方法中选择一种来初始化带有零的数组，您会选择哪种方法？为什么

my_arr_1 = np.full(size, 0) 

或

或

---

绝对

np.zero

。这不仅是最惯用、最常见的方法，也是迄今为止最快的方法：

In [1]: size=100000000

In [3]: %timeit np.full(size, 0)
1 loops, best of 3: 344 ms per loop

In [4]: %timeit np.zeros(size)
100000 loops, best of 3: 8.75 µs per loop

In [5]: %timeit a = np.empty(size); a[:] = 0
1 loops, best of 3: 322 ms per loop

---

我会使用

np.zero

，因为它的名字。我永远不会使用第三个成语，因为

它接受两个语句，而不是一个表达式和

对于NumPy的人来说，优化起来更难。事实上，在努比 1.10，

np.zeros

仍然是最快的选项，尽管对索引进行了所有优化：

>>%timeit np.zero（1e6）
1000个回路，最好为3:804µs/回路
>>>%timeit np.full（1e6，0）
1000个回路，最好为3个：每个回路816µs
>>>%timeit a=np.empty（1e6）；a[：]=0
1000个回路，最好为3个：每个回路919µs

与@John Zwinck的结果进行比较的更大数组：

>>%timeit np.zero（1e8）
100000个回路，最好为3个：每个回路9.66µs
>>>%timeit np.full（1e8，0）
1个回路，最好为3:614毫秒/回路
>>>%timeit a=np.empty（1e8）；a[：]=0
1个回路，最好为3:229毫秒/回路

np。如果要将数组初始化为零，则零要快得多。如果只想初始化给定形状和类型的数组，而不关心数组中的初始项，
np.empty
稍微快一点

见以下基本测试结果：

>>%timeit np.zeros(1000000)
7.89 µs ± 282 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

>>%timeit np.empty(1000000)
7.84 µs ± 332 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

您可以在campare中看到以下内容

np.zeros( (3,4) )
array([[ 0.,  0.,  0.,  0.],
...    [ 0.,  0.,  0.,  0.],
...    [ 0.,  0.,  0.,  0.]])


np.empty((3,4))
array([[1.13224202e+277, 1.73151846e-077, 1.24374310e-047,1.30455491e-076],
       [3.92384790e+179, 6.01353875e-154, 3.12452337e-033,7.72229932e+140],
       [1.28654694e-320, 0.00000000e+000, 0.00000000e+000,0.00000000e+000]])

“满”和作业是一样的，当然我想说的是我更喜欢
a[…]=0
而不是
a[：]
。现在零告诉内核将内存归零。不，但在我的测量中没有：）@seberg：基于这一点，以及1e6和1e8情况的时间，我猜
np.zeros（）
最终使用了一个匿名
mmap（）
超过某个阈值（
np.empty（））
可能也使用了它，设置了
MAP\u未初始化
标志），并且内存在第一次读/写之前没有归零，甚至没有正确分配，这使得计时或多或少毫无用处。（例如，对所有测量中的阵列执行
np.sum（）
可能会给出更合理的结果）这正是
np.zero
的目的。你为什么不使用它？实际上我正在使用它。然而，我不确定这些方法中哪一种在时间和内存使用方面是最有效的！你在拿苹果和桔子作比较
np.zero（n）
不会给出与
np.empty（n）
相同的结果。这已经在@FredFoo的解决方案中解释过了。好的，谢谢你纠正我。所以如果只是初始化，np.empty稍微快一点；如果初始化为零，np.zero会快得多。当然。但有两个不同的问题：（1）不同的输出，（2）速度。实际上，只有（1）项是重要的。有趣的注意：如果数组形状不是1D，
>>%timeit np.zeros(1000000)
7.89 µs ± 282 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

>>%timeit np.empty(1000000)
7.84 µs ± 332 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

np.zero():always 0
np.empty():Random number, depending on memory condition

np.zeros( (3,4) )
array([[ 0.,  0.,  0.,  0.],
...    [ 0.,  0.,  0.,  0.],
...    [ 0.,  0.,  0.,  0.]])


np.empty((3,4))
array([[1.13224202e+277, 1.73151846e-077, 1.24374310e-047,1.30455491e-076],
       [3.92384790e+179, 6.01353875e-154, 3.12452337e-033,7.72229932e+140],
       [1.28654694e-320, 0.00000000e+000, 0.00000000e+000,0.00000000e+000]])