對numpy中數組元素的統一賦值執行個體

下面小編就為大家分享一篇對numpy中數組元素的統一賦值執行個體，具有很好的參考價值，希望對大家有所協助。一起跟隨小編過來看看吧

Numpy中的數組整體處理賦值操作一直讓我有點迷糊，很多時候理解的不深入。今天單獨列寫相關的知識點，進行總結一下。

先看兩個代碼片小例子：

例子1：

In [2]: arr =np.empty((8,4)) In [3]: arrOut[3]:array([[ 0., 0., 0., 0.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.]]) In [4]: arr[1] = 1 In [5]: arrOut[5]:array([[ 0., 0., 0., 0.],    [ 1., 1., 1., 1.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.],    [ 0., 0., 0., 0.]])

例子2：

In [6]: arr1 =np.empty(2)In [8]: arr1Out[8]:array([ 7.74860419e-304,  7.74860419e-304]) In [9]: arr1 = 0 In [10]: arr1Out[10]: 0

這兩段看上去似乎出現了行為不一致，其實利用一般物件導向的標籤理解模型還是能夠理解的。

例子1中，加上了索引之後的標籤其實指代的就是具體的儲存區，而例子2中，直接使用了一個標籤而已。那麼這樣如何?對一個一維數組的全體賦值呢？其實只需要進行全部元素的索引即可，

具體方法實現如下：

In [11]: arr1 =np.empty(2) In [12]: arr1Out[12]: array([0., 0.]) In [13]: arr1[:]Out[13]: array([0., 0.]) In [14]: arr1[:] =0 In [15]: arr1Out[15]: array([0., 0.])

看起來似乎蠻簡單，但是不做一下稍微深入一點的分析，理解起來確實是還有一點點難度。