numpy中数组元素的统一赋值

       Numpy中的数组整体处理赋值操作一直让我有点迷糊，很多时候理解的不深入。今天单独列写相关的知识点，进行总结一下。

       先看两个代码片小例子：

例子1：

In [2]: arr =np.empty((8,4))

 

In [3]: arr

Out[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]: arr

Out[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]: arr1

Out[8]:array([  7.74860419e-304,   7.74860419e-304])

 

In [9]: arr1 = 0

 

In [10]: arr1

Out[10]: 0

 

       这两段看上去似乎出现了行为不一致，其实利用一般面向对象的标签理解模型还是能够理解的。例子1中，加上了索引之后的标签其实指代的就是具体的存储区，而例子2中，直接使用了一个标签而已。那么这样如何实现对一个一维数组的全体赋值呢？其实只需要进行全部元素的索引即可，具体方法实现如下：

In [11]: arr1 =np.empty(2)

 

In [12]: arr1

Out[12]: array([0.,  0.])

 

In [13]: arr1[:]

Out[13]: array([0.,  0.])

 

In [14]: arr1[:] =0

 

In [15]: arr1

Out[15]: array([0.,  0.])

       看起来似乎蛮简单，但是不做一下稍微深入一点的分析，理解起来确实是还有一点点难度。