答案是:

numpy.full((2, 2), True)

解释:

Numpy很容易创建全1或全0的数组:

例如numpy。Ones((2,2))或numpy。0 ((2, 2))

由于True和False在Python中分别表示为1和0，我们只需要使用可选的dtype参数指定该数组应为布尔值，就完成了:

numpy.ones((2, 2), dtype=bool)

返回:

array([[ True,  True],
       [ True,  True]], dtype=bool)

更新日期:2013年10月30日

从numpy版本1.8开始，我们可以使用full来实现同样的结果，而且语法更清楚地显示了我们的意图(正如fmonegaglia指出的那样):

numpy.full((2, 2), True, dtype=bool)

更新:2017年1月16日

因为至少在numpy 1.12版本中，完全自动转换为第二个形参的dtype，所以我们可以这样写:

numpy.full((2, 2), True)

Ones和zero分别创建充满1和0的数组，它们接受一个可选的dtype形参:

>>> numpy.ones((2, 2), dtype=bool)
array([[ True,  True],
       [ True,  True]], dtype=bool)
>>> numpy.zeros((2, 2), dtype=bool)
array([[False, False],
       [False, False]], dtype=bool)

numpy.full((2,2), True, dtype=bool)

>>> a = numpy.full((2,4), True, dtype=bool)
>>> a[1][3]
True
>>> a
array([[ True,  True,  True,  True],
       [ True,  True,  True,  True]], dtype=bool)

numpy。full(大小，标量值，类型)。还有其他参数可以传递，有关文档请查看https://docs.scipy.org/doc/numpy/reference/generated/numpy.full.html

如果它不是必须是可写的，你可以用np.broadcast_to创建这样一个数组:

>>> import numpy as np
>>> np.broadcast_to(True, (2, 5))
array([[ True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True]], dtype=bool)

如果你需要它可写，你也可以创建一个空数组并自己填充它:

>>> arr = np.empty((2, 5), dtype=bool)
>>> arr.fill(1)
>>> arr
array([[ True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True]], dtype=bool)

这些方法只是可供选择的建议。一般来说，你应该坚持使用np。满,np。0或np。就像其他答案暗示的那样。

赶紧跑了一遍，看看np之间是否有什么不同。Full和np。的版本。

回答:不

import timeit

n_array, n_test = 1000, 10000
setup = f"import numpy as np; n = {n_array};"

print(f"np.ones: {timeit.timeit('np.ones((n, n), dtype=bool)', number=n_test, setup=setup)}s")
print(f"np.full: {timeit.timeit('np.full((n, n), True)', number=n_test, setup=setup)}s")

结果:

np.ones: 0.38416870904620737s
np.full: 0.38430388597771525s

重要的

关于np的帖子。空的(我不能评论，因为我的声誉太低了):

不要那样做。不要用np。null初始化一个全true数组

由于数组是空的，内存不会被写入，也不能保证你的值会是什么。

>>> print(np.empty((4,4), dtype=bool))
[[ True  True  True  True]
 [ True  True  True  True]
 [ True  True  True  True]
 [ True  True False False]]

Michael Currie回答的基准

import perfplot

bench_x = perfplot.bench(
    n_range= range(1, 200),
    setup  = lambda n: (n, n),
    kernels= [
        lambda shape: np.ones(shape, dtype= bool),
        lambda shape: np.full(shape, True)
    ],
    labels = ['ones', 'full']
)

bench_x.show()