数组的填充：`full()` 与 `full_like()`

数组填充：full() 与 full_like() —— 填充的艺术，生活的色彩

各位观众，各位听众，各位屏幕前的程序猿、攻城狮、算法侠、数据姬，大家好！我是你们的老朋友，人称“代码诗人”的阿波罗。今天，咱们不谈风花雪月，不聊人生理想，就来聊聊程序世界里一个看似简单，实则充满艺术感的课题：数组的填充。

具体来说，我们要深入研究两个强大的工具：full() 和 full_like()。它们就像油画调色板上的两种颜料，看似相似，却能在不同的场景下，为我们的数据世界增添丰富的色彩。

准备好了吗？让我们开始这场关于填充的奇妙之旅吧！🚀

一、填充的必要性：空白也是一种力量，但我们更需要色彩

在数据分析、机器学习，乃至图像处理等领域，我们经常会遇到需要创建并初始化数组的情况。想象一下，你是一位画家，面对一块空白的画布，你不可能直接开始挥洒颜料，你需要先根据你的构思，用底色铺垫，这便是填充。

为什么要填充呢？

• 预分配空间，提高效率： 提前分配好数组所需的内存空间，可以避免程序在运行过程中频繁地重新分配内存，从而提高程序的运行效率。这就像盖房子，先打好地基，才能保证后续的建造速度。
• 初始化状态，避免错误： 未初始化的数组可能包含一些随机值，这些随机值可能会导致程序出现不可预测的错误。填充可以确保数组在开始使用时处于一个已知的状态，就像给汽车加满油，才能安心上路。
• 创造特定结构，实现算法： 某些算法需要特定的数组结构作为输入，例如，在图像处理中，我们可能需要创建一个全零的数组作为掩码。这就像制作蛋糕，需要先准备好模具。
• 数据清洗，填补缺失值： 在数据分析中，我们经常会遇到缺失值。使用特定的值（例如，0，-1，NaN）填充这些缺失值，可以方便后续的处理。这就像修复破损的瓷器，用金缮赋予它新的生命。

总而言之，填充是数组操作中不可或缺的一环，它就像程序的“化妆术”，让数据更加整洁、有序，也让我们的代码更加健壮、高效。

二、full()：调色盘上的纯色，自由挥洒你的想象力

full() 函数就像调色盘上的一管纯色颜料，它可以根据你的需求，创建并填充一个指定形状的数组，所有元素的值都相同。

它的基本语法如下：

import numpy as np

numpy.full(shape, fill_value, dtype=None, order='C')

让我们逐一解读这些参数：

• shape： 这是数组的形状，可以是整数，也可以是整数的元组。例如，5 表示创建一个长度为 5 的一维数组，(2, 3) 表示创建一个 2 行 3 列的二维数组。它就像画笔的粗细，决定了你挥洒的范围。
• fill_value： 这是要填充的值，可以是任何数据类型，例如，整数、浮点数、字符串，甚至布尔值。它就像颜料的颜色，决定了你填充的色彩。
• dtype： 这是数组的数据类型，如果不指定，NumPy 会根据 fill_value 推断。例如，np.int32 表示整数类型，np.float64 表示浮点数类型。它就像颜料的成分，决定了你填充的质感。
• order： 这是数组的存储顺序，可以是 'C'（行优先）或 'F'（列优先），一般情况下使用默认值 'C' 即可。它就像画布的方向，决定了你绘画的顺序。

举个栗子🌰：

import numpy as np

# 创建一个长度为 5 的全 0 数组
arr1 = np.full(5, 0)
print(f"全零数组：{arr1}")  # 输出：全零数组：[0 0 0 0 0]

# 创建一个 2 行 3 列的全 1 数组
arr2 = np.full((2, 3), 1)
print(f"全一数组：n{arr2}")
# 输出：
# 全一数组：
# [[1 1 1]
#  [1 1 1]]

# 创建一个 3 行 2 列的全 3.14 数组，数据类型为 float32
arr3 = np.full((3, 2), 3.14, dtype=np.float32)
print(f"全 3.14 数组：n{arr3}")
# 输出：
# 全 3.14 数组：
# [[3.14 3.14]
#  [3.14 3.14]
#  [3.14 3.14]]

# 创建一个 2 行 2 列的全 True 数组
arr4 = np.full((2, 2), True)
print(f"全 True 数组：n{arr4}")
# 输出：
# 全 True 数组：
# [[ True  True]
#  [ True  True]]

# 创建一个 1 行 3 列的全字符串 "Hello" 数组
arr5 = np.full((1, 3), "Hello")
print(f"全 Hello 数组：n{arr5}")
# 输出：
# 全 Hello 数组：
# [['Hello' 'Hello' 'Hello']]

从上面的例子可以看出，full() 函数非常灵活，可以创建各种形状和类型的数组，并填充为任何你想要的值。它就像一位听话的助手，可以帮你快速地创建你需要的数组结构。

三、full_like()：模仿的艺术，站在巨人的肩膀上

full_like() 函数就像一位优秀的模仿者，它可以根据已有的数组，创建一个具有相同形状和数据类型的数组，并填充为指定的值。

它的基本语法如下：

import numpy as np

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

与 full() 函数相比，full_like() 函数多了一个参数 a，它表示作为参考的数组。

• a： 这是作为参考的数组，full_like() 函数会根据这个数组的形状和数据类型来创建新的数组。它就像模特，决定了你模仿的对象。
• fill_value： 这是要填充的值，与 full() 函数相同。它就像颜料的颜色，决定了你填充的色彩。
• dtype： 这是数组的数据类型，如果不指定，full_like() 函数会使用参考数组 a 的数据类型。它就像颜料的成分，决定了你填充的质感。
• order： 这是数组的存储顺序，可以是 'C'（行优先）、'F'（列优先）或 'K'（保持与参考数组相同的顺序），一般情况下使用默认值 'K' 即可。它就像画布的方向，决定了你绘画的顺序。
• subok： 如果为 True，则允许子类传播；如果为 False，则返回的数组将被强制为基类数组。
• shape： 新数组的形状。 默认情况下，它与给定数组的形状匹配。

举个栗子🌰：

import numpy as np

# 创建一个原始数组
arr_original = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.int32)
print(f"原始数组：n{arr_original}")
# 输出：
# 原始数组：
# [[1 2 3]
#  [4 5 6]]

# 创建一个与原始数组具有相同形状和数据类型的全 0 数组
arr_like = np.full_like(arr_original, 0)
print(f"full_like 数组：n{arr_like}")
# 输出：
# full_like 数组：
# [[0 0 0]
#  [0 0 0]]

# 创建一个与原始数组具有相同形状，但数据类型为 float64 的全 3.14 数组
arr_like2 = np.full_like(arr_original, 3.14, dtype=np.float64)
print(f"full_like 数组 (float64)：n{arr_like2}")
# 输出：
# full_like 数组 (float64)：
# [[3.14 3.14 3.14]
#  [3.14 3.14 3.14]]

# 创建一个与原始数组具有相同数据类型，但形状为 (3,2) 的全 5 数组
arr_like3 = np.full_like(arr_original, 5, shape=(3,2))
print(f"full_like 数组 (shape 修改)：n{arr_like3}")
# 输出：
# full_like 数组 (shape 修改)：
# [[5 5]
#  [5 5]
#  [5 5]]

从上面的例子可以看出，full_like() 函数可以方便地创建与现有数组具有相同特征的数组，这在很多情况下非常有用。例如，在进行图像处理时，我们可能需要创建一个与原始图像具有相同形状和数据类型的掩码。

四、full() vs full_like()：双剑合璧，天下无敌

full() 和 full_like() 就像一对兄弟，它们的功能相似，但在使用场景上有所不同。

特性	full()	full_like()
输入参数	shape, fill_value, dtype, order	a, fill_value, dtype, order, subok, shape
功能	创建一个指定形状和填充值的数组	创建一个与现有数组具有相同特征的数组
适用场景	当你需要创建一个全新的数组时	当你需要基于现有数组创建相似数组时
灵活性	可以自由地指定数组的形状和数据类型	形状和数据类型可以从现有数组继承或自定义

简单来说，full() 函数更加自由，可以让你完全掌控数组的创建过程；而 full_like() 函数更加便捷，可以让你快速地创建与现有数组相似的数组。

你可以把 full() 想象成一个空白的画布，你可以根据自己的想法，在上面自由地创作；而 full_like() 就像一个临摹台，你可以根据已有的画作，进行模仿和创新。

在实际应用中，你可以根据你的具体需求，选择合适的函数。例如，如果你需要创建一个全新的数组，可以使用 full() 函数；如果你需要基于现有数组创建一个相似的数组，可以使用 full_like() 函数。

五、进阶应用：填充的艺术，不止于表面

除了基本的填充功能，full() 和 full_like() 还可以与其他 NumPy 函数结合使用，实现更复杂的操作。

• 条件填充： 结合 np.where() 函数，可以根据条件填充数组。例如，将数组中大于 0 的元素填充为 1，小于 0 的元素填充为 -1。
• 分段填充： 结合切片操作，可以对数组的不同部分进行不同的填充。例如，将数组的前一半填充为 0，后一半填充为 1。
• 自定义填充： 结合自定义函数，可以根据复杂的规则填充数组。例如，根据数组的索引位置，填充不同的值。

这些进阶应用就像绘画中的高级技巧，可以让你创作出更加精美的作品。

六、注意事项：细节决定成败，魔鬼藏在细节里

在使用 full() 和 full_like() 函数时，需要注意以下几点：

• 数据类型： 确保 fill_value 的数据类型与数组的数据类型兼容。例如，如果你要创建一个整数类型的数组，就不要用字符串类型的 fill_value。
• 内存占用： 大数组的填充可能会占用大量的内存，需要注意内存的使用情况。
• 性能优化： 在循环中频繁地使用 full() 和 full_like() 函数可能会影响程序的性能，可以考虑使用其他方法进行优化。

这些注意事项就像绘画中的基本功，只有掌握了这些基本功，才能创作出完美的作品。

七、总结：填充的魅力，无处不在

今天，我们一起学习了 full() 和 full_like() 函数，它们是 NumPy 库中两个非常实用的工具，可以帮助我们快速地创建并填充数组。

它们就像调色盘上的两种颜料，可以为我们的数据世界增添丰富的色彩。无论你是数据分析师、机器学习工程师，还是图像处理专家，相信它们都能成为你手中的利器。

希望今天的讲解对大家有所帮助。记住，编程不仅仅是写代码，更是一种艺术，一种创造。愿你能在编程的道路上，不断探索，不断创新，创造出更加美好的世界！

感谢大家的观看！我们下次再见！👋