时间：2022-11-11 09:44:40 | 栏目：Python代码 | 点击：次
Numpy中的数组整体处理赋值操作一直让我有点迷糊，很多时候理解的不深入。今天单独列写相关的知识点，进行总结一下。
先看两个代码片小例子：
例子1：
In [2]: arr =np.empty((8,4))
In [3]: arr
Out[3]:
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
In [4]: arr[1] = 1
In [5]: arr
Out[5]:
array([[ 0., 0., 0., 0.],
[ 1., 1., 1., 1.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
例子2：
In [6]: arr1 =np.empty(2) In [8]: arr1 Out[8]:array([ 7.74860419e-304, 7.74860419e-304]) In [9]: arr1 = 0 In [10]: arr1 Out[10]: 0
这两段看上去似乎出现了行为不一致，其实利用一般面向对象的标签理解模型还是能够理解的。
例子1中，加上了索引之后的标签其实指代的就是具体的存储区，而例子2中，直接使用了一个标签而已。那么这样如何实现对一个一维数组的全体赋值呢？其实只需要进行全部元素的索引即可，
具体方法实现如下：
In [11]: arr1 =np.empty(2) In [12]: arr1 Out[12]: array([0., 0.]) In [13]: arr1[:] Out[13]: array([0., 0.]) In [14]: arr1[:] =0 In [15]: arr1 Out[15]: array([0., 0.])
看起来似乎蛮简单，但是不做一下稍微深入一点的分析，理解起来确实是还有一点点难度。