NumPy np.ones函数的具体使用
<div id="navCategory"><h5 class="catalogue">目录</h5><ul class="first_class_ul"><li><a href="#_label0">一、核心功能</a></li><li><a href="#_label1">二、参数详解</a></li><li><a href="#_label2">三、基础应用示例</a></li><li><a href="#_label3">四、高级应用场景</a></li><li><a href="#_label4">五、性能对比</a></li><li><a href="#_label5">六、常见误区规避</a></li></ul></div><p class="maodian"><a name="_label0"></a></p><h2>一、核心功能</h2><p><code>np.ones</code> 是 NumPy 中用于创建<strong>指定形状全1数组</strong>的基础函数，语法结构为：</p>
<div class="jb51code"><pre class="brush:py;">numpy.ones(shape, dtype=None, order='C', *, like=None)
</pre></div>
<ul><li><strong>核心价值</strong>：提供标准化的数组初始化方式，避免手动填充1值的繁琐操作，广泛用于数值计算、矩阵运算和数据预处理场景。</li></ul>
<p class="maodian"><a name="_label1"></a></p><h2>二、参数详解</h2>
<table><thead><tr><th>参数名</th><th>类型</th><th>作用</th><th>典型取值</th></tr></thead><tbody><tr><td>shape</td><td>整数/元组</td><td>定义数组维度</td><td>5（1D）、(3,4)（2D）、(2,2,3)（3D）</td></tr><tr><td>dtype</td><td>数据类型</td><td>指定元素类型</td><td>np.int32、np.float64（默认）</td></tr><tr><td>order</td><td>{'C','F'}</td><td>内存存储顺序</td><td>'C'（行优先）、'F'（列优先）</td></tr></tbody></table>
<table><thead><tr><th>存储方式</th><th>顺序规则</th><th>适用场景</th><th>典型语言</th></tr></thead><tbody><tr><td>'C'</td><td>行优先</td><td>按行遍历操作</td><td>C/Python</td></tr><tr><td>'F'</td><td>列优先</td><td>按列计算（如矩阵运算）</td><td>Fortran/Matlab</td></tr></tbody></table>
<p class="maodian"><a name="_label2"></a></p><h2>三、基础应用示例</h2>
<div class="jb51code"><pre class="brush:py;">import numpy as np
# 1. 创建1维数组
arr1d = np.ones(5)# array()
# 2. 创建2维矩阵
arr2d = np.ones((2, 3), dtype=int)# array([, ])
# 3. 创建3维张量
arr3d = np.ones((2, 2, 2), dtype=np.float32)
</pre></div>
<p class="maodian"><a name="_label3"></a></p><h2>四、高级应用场景</h2>
<ol><li><strong>权重矩阵初始化</strong><br />在机器学习中初始化神经元连接权重：</li></ol>
<div class="jb51code"><pre class="brush:py;">input_size = 100
hidden_size = 50
weights = np.ones((input_size, hidden_size)) * 0.01# 小值初始化
</pre></div>
<ol><li><strong>掩码数组创建</strong><br />用于数据筛选或遮罩操作：</li></ol>
<div class="jb51code"><pre class="brush:py;">data = np.array()
mask = np.ones(5, dtype=bool)
mask[] = False# array([ True, False,True, False,True])
filtered = data# array()
</pre></div>
<ol><li><strong>与其他函数组合运算</strong></li></ol>
<div class="jb51code"><pre class="brush:py;"># 创建单位矩阵（等价于np.eye(3)）
identity = np.ones((3, 3)) * np.eye(3)
# 生成指定范围的等差数列
start, 终止 = 2, 10
steps = np.ones(5) * np.linspace(start, 终止, 5)
</pre></div>
<p class="maodian"><a name="_label4"></a></p><h2>五、性能对比</h2>
<table><thead><tr><th>初始化方式</th><th>耗时（1000x1000数组）</th><th>内存占用</th></tr></thead><tbody><tr><td>np.ones</td><td>1.2ms</td><td>8MB</td></tr><tr><td>列表推导式</td><td>28.5ms</td><td>16MB</td></tr></tbody></table>
<p class="maodian"><a name="_label5"></a></p><h2>六、常见误区规避</h2>
<ol><li><strong>类型混淆</strong>：默认返回浮点型数组，需显式指定<code>dtype=int</code>获取整数数组</li><li><strong>形状错误</strong>：多维数组需传入元组，如<code>(2,3)</code>而非<code>2,3</code></li><li><strong>内存效率</strong>：创建大型数组时，可使用<code>order='F'</code>优化列优先访问性能</li></ol>
頁:
[1]