`zeros()`, `ones()`, `empty()`：创建全零、全一、空数组

编程魔法师的百宝箱：zeros(), ones(), empty()，创造数组的初始混沌！

各位编程界的魔法师、炼金术士、以及代码界的段子手们，大家好！我是你们的老朋友，一个沉迷于代码海洋无法自拔的探险家。今天，我们要一起探索一个神奇的宝藏—— NumPy 数组初始化的三大法宝：zeros(), ones(), 和 empty()。

想象一下，你是一位伟大的建筑师，准备建造一座壮丽的数字帝国。在开始堆砌砖瓦（数据）之前，你需要一片平坦的土地，或者至少是一些预制板，方便你快速搭建。 这三位法宝，就如同你手中的魔法工具，帮你瞬间创造出各种规格的“地基”，让你的数据城堡从一开始就拥有无限可能。

第一章：zeros() – 零的哲学：一切皆空，一切皆有可能！

zeros() 函数，顾名思义，它的使命就是创造一个充满 “0” 的数组。 就像宇宙大爆炸之前，一片虚无，孕育着无限的可能性。 零，代表着起点，代表着纯粹，也代表着无限的潜力。

语法解析：

import numpy as np

np.zeros(shape, dtype=float, order='C', *, like=None)

• shape: 这是最重要的参数，决定了你想要创造的数组的形状。 它可以是一个整数 (代表一维数组的长度)，也可以是一个元组 (代表多维数组的各个维度的大小)。 例如，shape=5 会创建一个长度为5的一维数组，shape=(2, 3) 会创建一个2行3列的二维数组。
• dtype: 指定数组中元素的数据类型。 默认情况下是 float64 (双精度浮点数)，但你可以根据需求选择其他类型，例如 int32 (32位整数), bool (布尔值), complex128 (128位复数) 等等。 选择合适的数据类型，可以节省内存，提高计算效率。
• order: 指定数组在内存中的存储顺序。 'C' 代表 C-style (行优先)， 'F' 代表 Fortran-style (列优先)。 通常情况下，我们使用默认的 'C' 即可。
• like: 允许你创建一个与现有数组具有相同属性（形状、数据类型等）的新数组。这是一个非常方便的参数，可以避免重复设置属性。

实战演练：

1. 一维零数组：

   arr1 = np.zeros(5)
   print(arr1)  # 输出: [0. 0. 0. 0. 0.]

   这里，我们创造了一个包含5个元素的，类型为浮点数的零数组。 就像五个空荡荡的房间，等待着你的数据入住。

2. 二维零数组：

   arr2 = np.zeros((3, 4))
   print(arr2)
   # 输出:
   # [[0. 0. 0. 0.]
   #  [0. 0. 0. 0.]
   #  [0. 0. 0. 0.]]

   这是一个3行4列的矩阵，每个元素都是0。 想象一下，这是一个电子表格，你还没有填入任何数据，等待着你来创造价值。

3. 指定数据类型：

   arr3 = np.zeros((2, 2), dtype=int)
   print(arr3)
   # 输出:
   # [[0 0]
   #  [0 0]]

   现在，我们创造了一个2×2的整数零数组。 就像一个棋盘，等待着黑白棋子的入场。

4. 使用 like 参数：

   existing_arr = np.array([[1, 2, 3], [4, 5, 6]])
   new_arr = np.zeros_like(existing_arr)
   print(new_arr)
   # 输出:
   # [[0 0 0]
   #  [0 0 0]]

   new_arr 继承了 existing_arr 的形状和数据类型 (在这种情况下是整数)，并用 0 填充。 这就像克隆一个数组的骨架，然后用零填充它的血肉。

应用场景：

• 初始化计数器： 在统计分析中，我们经常需要初始化一个计数器数组，用于记录各种事件发生的次数。 zeros() 可以方便地创建这样一个数组，所有计数器初始值为0。
• 作为占位符： 在进行复杂计算时，我们可能需要先创建一个空数组，然后逐步填充数据。 zeros() 可以作为占位符，预先分配内存空间，避免动态分配带来的性能损耗。
• 图像处理： 在图像处理中，我们可以使用 zeros() 创建一个空白图像，然后在其上绘制图形或进行其他操作。

总结：

zeros() 就像一位谦逊的艺术家，用零作为画布，为你提供无限的创作空间。 无论是初始化数据结构，还是预分配内存，它都是你的得力助手。

第二章：ones() – 一的坚持：万物归一，力量的源泉！

如果说 zeros() 代表着虚无和起点，那么 ones() 则代表着团结、力量和坚持。 ones() 函数用于创建一个充满 “1” 的数组。 “1” 代表着基本单位，代表着存在，也代表着一种积极向上的力量。

语法解析：

ones() 的语法与 zeros() 非常相似：

import numpy as np

np.ones(shape, dtype=float, order='C', *, like=None)

参数的含义与 zeros() 完全相同，只是这次填充的是 “1” 而不是 “0”。

实战演练：

1. 一维全一数组：

   arr1 = np.ones(3)
   print(arr1)  # 输出: [1. 1. 1.]

   三个 “1” 并排站立，代表着团结一致，力量无穷。

2. 二维全一数组：

   arr2 = np.ones((2, 5), dtype=int)
   print(arr2)
   # 输出:
   # [[1 1 1 1 1]
   #  [1 1 1 1 1]]

   一个2行5列的全一矩阵，象征着团队协作，共同努力。

3. 使用 like 参数：

   existing_arr = np.array([[1.0, 2.0], [3.0, 4.0]]) # 注意这里是浮点数
   new_arr = np.ones_like(existing_arr)
   print(new_arr)
   # 输出:
   # [[1. 1.]
   #  [1. 1.]]

   克隆 existing_arr 的形状和数据类型，并用 “1” 填充。 注意，这里 new_arr 的数据类型也是浮点数，因为 existing_arr 是浮点数类型的。

应用场景：

• 图像处理： 创建白色图像 (在灰度图像中，255 通常代表白色，而全是 “1” 的浮点数数组可以近似表示白色)。
• 掩码操作： 在图像处理或数据分析中，可以使用全一数组作为掩码，用于选择或过滤特定的数据。
• 缩放操作： 将数组乘以一个全一数组，可以实现缩放操作。
• 作为基准值： 在某些算法中，需要一个全一数组作为基准值，用于进行比较或计算。

总结：

ones() 函数如同一个坚定的战士，用 “1” 铸造你的数据城堡，为你提供稳定的基石和强大的力量。

第三章：empty() – 空的艺术：混沌之初，无限可能！

empty() 函数是三者中最神秘，也最具有哲学意味的一个。 它并不像 zeros() 和 ones() 那样，用特定的值填充数组，而是仅仅分配内存空间，留下数组中的元素为“垃圾值”。 这就像宇宙大爆炸的瞬间，能量爆发，混沌一片，充满了未知和可能性。

语法解析：

import numpy as np

np.empty(shape, dtype=float, order='C', *, like=None)

参数的含义与 zeros() 和 ones() 相同。

实战演练：

import numpy as np

arr1 = np.empty((2, 3))
print(arr1)
# 输出 (结果可能不同，取决于内存中的垃圾值):
# [[6.90948847e-310 6.90948847e-310 6.90948847e-310]
#  [6.90948847e-310 6.90948847e-310 6.90948847e-310]]

arr2 = np.empty((2, 2), dtype=int)
print(arr2)
# 输出 (结果可能不同，取决于内存中的垃圾值):
# [[6422256 6422528]
#  [  16912 13451376]]

可以看到，empty() 创建的数组中，元素的值是随机的，取决于内存中之前存储的数据 (也就是所谓的“垃圾值”)。 每次运行，结果都可能不同。

注意事项：

• 不要假设 empty() 创建的数组中的值为 0! 虽然有时结果看起来像 0，但这仅仅是巧合。 依赖于这些“垃圾值”是极其危险的，会导致程序出现不可预测的错误。
• 在使用 empty() 创建的数组之前，务必对其进行初始化! 例如，可以使用循环或向量化操作，将数组中的元素设置为你想要的值。

应用场景：

• 性能优化： 在需要频繁创建和销毁数组的场景下，使用 empty() 可以避免不必要的初始化操作，从而提高性能。 但是，必须确保在使用之前，对数组进行正确的初始化。
• 作为缓冲区： 在某些情况下，可以使用 empty() 创建一个缓冲区，用于存储中间计算结果。 这可以避免频繁的内存分配和释放操作。

总结：

empty() 函数就像一个充满未知力量的黑洞，它为你提供一块原始的画布，但需要你亲自去填充色彩。 它高效而危险，只有经验丰富的魔法师才能驾驭。

第四章：三剑客的巅峰对决：选择哪一个？

现在，我们已经了解了 zeros(), ones(), 和 empty() 这三位 NumPy 数组初始化的法宝。 那么，在实际应用中，我们应该选择哪一个呢？

功能/特性	zeros()	ones()	empty()
初始值	全零	全一	垃圾值 (未初始化)
适用场景	需要初始化为零的数组，例如计数器、占位符	需要初始化为一的数组，例如掩码、基准值	对初始值没有要求，追求性能的场景
性能	相对较慢 (需要初始化)	相对较慢 (需要初始化)	最快 (无需初始化)
安全性	高 (初始值为零，易于调试)	高 (初始值为一，易于调试)	低 (需要在使用前进行初始化，容易出错)
使用难度	低	低	中 (需要理解未初始化的概念，避免错误使用)

选择建议：

• 如果你需要一个初始值为 0 的数组，那么毫不犹豫地选择 zeros()。 它是最安全，也是最常用的选择。
• 如果你需要一个初始值为 1 的数组，那么 ones() 是你的最佳选择。
• 如果你对性能有极致的追求，并且确信自己能够在使用前正确地初始化数组，那么可以考虑使用 empty()。 但是，请务必小心，避免出现未初始化变量的错误。

总而言之，在选择时，你需要权衡性能、安全性和易用性，选择最适合你当前需求的法宝。

第五章：更高级的魔法：full() 和 full_like()

除了 zeros(), ones(), 和 empty() 之外，NumPy 还提供了 full() 和 full_like() 函数，用于创建填充特定值的数组。

full() 函数：

full() 函数可以创建一个填充任意值的数组。

import numpy as np

np.full(shape, fill_value, dtype=None, order='C', *, like=None)

• shape: 数组的形状。
• fill_value: 用于填充数组的值。
• dtype: 数组的数据类型。

full_like() 函数：

full_like() 函数可以创建一个与现有数组具有相同属性，并填充特定值的数组。

import numpy as np

np.full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None)

• a: 作为模板的数组。
• fill_value: 用于填充数组的值。
• dtype: 数组的数据类型。

示例：

import numpy as np

# 创建一个 2x3 的数组，所有元素都为 7
arr1 = np.full((2, 3), 7)
print(arr1)
# 输出:
# [[7 7 7]
#  [7 7 7]]

# 创建一个与 existing_arr 具有相同属性，并填充值为 -1 的数组
existing_arr = np.array([[1, 2], [3, 4]])
arr2 = np.full_like(existing_arr, -1)
print(arr2)
# 输出:
# [[-1 -1]
#  [-1 -1]]

full() 和 full_like() 提供了更灵活的数组初始化方式，可以满足各种特殊需求。

尾声：数组的无限可能

好了，各位魔法师们，今天的 NumPy 数组初始化之旅就到这里。 我们一起探索了 zeros(), ones(), empty(), full() 和 full_like() 这五位强大的法宝。 希望它们能成为你代码百宝箱中的得力助手，帮助你创造出更加精彩的数字世界。

记住，代码的世界是无限的，学习永无止境。 让我们一起保持好奇心，不断探索，共同进步！ 下次再见！ 😉