为Numpy 1.7.0更新:(向@Rolf Bartstra致敬。)

一个= np.empty (n);A.fill(5)最快。

按速度递减排列:

%timeit a=np.empty(10000); a.fill(5)
100000 loops, best of 3: 5.85 us per loop

%timeit a=np.empty(10000); a[:]=5 
100000 loops, best of 3: 7.15 us per loop

%timeit a=np.ones(10000)*5
10000 loops, best of 3: 22.9 us per loop

%timeit a=np.repeat(5,(10000))
10000 loops, best of 3: 81.7 us per loop

%timeit a=np.tile(5,[10000])
10000 loops, best of 3: 82.9 us per loop

为Numpy 1.7.0更新:(向@Rolf Bartstra致敬。)

一个= np.empty (n);A.fill(5)最快。

按速度递减排列:

%timeit a=np.empty(10000); a.fill(5)
100000 loops, best of 3: 5.85 us per loop

%timeit a=np.empty(10000); a[:]=5 
100000 loops, best of 3: 7.15 us per loop

%timeit a=np.ones(10000)*5
10000 loops, best of 3: 22.9 us per loop

%timeit a=np.repeat(5,(10000))
10000 loops, best of 3: 81.7 us per loop

%timeit a=np.tile(5,[10000])
10000 loops, best of 3: 82.9 us per loop

您可以使用numpy。瓷砖，例如:

v = 7
rows = 3
cols = 5
a = numpy.tile(v, (rows,cols))
a
Out[1]: 
array([[7, 7, 7, 7, 7],
       [7, 7, 7, 7, 7],
       [7, 7, 7, 7, 7]])

尽管tile是为了“平铺”一个数组(而不是在这种情况下的标量)，它将完成工作，创建任何大小和维度的预填充数组。

我有np。数组(n * [value])，但显然，对于足够大的n，这比所有其他建议都要慢。就可读性和速度而言，最好的是

np.full(n, 3.14)

这里是与perfplot(我的一个宠物项目)的完整比较。

两个空的替代品仍然是最快的(NumPy 1.12.1)。完全赶上大数组。

代码生成的情节:

import numpy as np
import perfplot


def empty_fill(n):
    a = np.empty(n)
    a.fill(3.14)
    return a


def empty_colon(n):
    a = np.empty(n)
    a[:] = 3.14
    return a


def ones_times(n):
    return 3.14 * np.ones(n)


def repeat(n):
    return np.repeat(3.14, (n))


def tile(n):
    return np.repeat(3.14, [n])


def full(n):
    return np.full((n), 3.14)


def list_to_array(n):
    return np.array(n * [3.14])


perfplot.show(
    setup=lambda n: n,
    kernels=[empty_fill, empty_colon, ones_times, repeat, tile, full, list_to_array],
    n_range=[2 ** k for k in range(27)],
    xlabel="len(a)",
    logx=True,
    logy=True,
)

没有numpy

>>>[2]*3
[2, 2, 2]

你也可以使用np.broadcast_to。

要创建一个形状(维度)为s，值为v的数组，你可以这样做(在你的例子中，数组是1-D，并且s = (n，)):

a = np.broadcast_to(v, s).copy()

如果a只需要是只读的，你可以使用以下方法(这是更有效的方式):

a = np.broadcast_to(v, s)

这样做的好处是v可以被赋值为单个数字，但如果需要不同的值，也可以赋值为数组(只要v.shape匹配s的尾部)。

额外的好处:如果你想强制创建的数组的dtype:

a = np.broadcast_to(np.asarray(v, dtype), s).copy()