怎么对numpy里数组元素赋统一的值

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。

相信看了本文案例你已经掌握了方法，更多精彩请关注Gxl网其它相关文章！

推荐阅读：

Python Numpy如何操作数组和矩阵

Python的numpy数组怎么合并

以上就是怎么对numpy里数组元素赋统一的值的详细内容，更多请关注Gxl网其它相关文章！