Bootstrap
NumPy(Numerical Python的缩写)是一个开源的Python科学计算库。使用NumPy,就可以很自然地使用数组和矩阵。NumPy包含很多实用的数学函数,涵盖线性代数运算、傅里叶变换和随机数生成等功能。本文主要介绍一下NumPy中full_like方法的使用。

numpy.full_like

numpy.full_like(a, fill_value, dtype=None, order='K', subok=True)[source]

返回与给定数组具有相同形状和类型的数组。并且数组中元素的值是fill_value的值

参数:

a : array_like

用a的形状和数据类型,来定义返回数组的属性。

fill_value : 标量

数组中元素的值

dtype : 数据类型, 可选

覆盖结果的数据类型。

order : {‘C’, ‘F’, ‘A’, or ‘K’}, 可选

覆盖结果的内存布局。 'C'表示C顺序,'F'表示F顺序,'A'表示如果a是Fortran连续,则表示'F',否则'C'。 'K'表示尽可能匹配a的布局。

subok : bool, 可选.

值为True是使用a的内部数据类型,值为False是使用a数组的数据类型,默认为True

返回值:               

返回值类型 : ndarray(ndarray是N维数组对象)

返回与a相同类型和形态,并且用fill_value的值填充的数组

例如

>>>import numpy as np
>>>
>>> x = np.arange(6, dtype=int)
>>> np.full_like(x, 1)
array([1, 1, 1, 1, 1, 1])
>>> np.full_like(x, 0.1)
array([0, 0, 0, 0, 0, 0])
>>> np.full_like(x, 0.1, dtype=np.double)
array([ 0.1, 0.1, 0.1, 0.1, 0.1, 0.1])
>>> np.full_like(x, np.nan, dtype=np.double)
array([ nan, nan, nan, nan, nan, nan])
>>>
>>> y = np.arange(6, dtype=np.double)
>>> np.full_like(y, 0.1)
array([ 0.1, 0.1, 0.1, 0.1, 0.1, 0.1])