¿Cómo crear una matriz numpy de todo Verdadero o todo Falso?

En Python, ¿cómo creo una matriz numpy de formas arbitrarias rellenas con todos True o todo False?

La respuesta:

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

Explicación:

numpy crea matrices de todos los unos o todos los ceros muy fácilmente:

p.ej numpy.ones((2, 2)) o numpy.zeros((2, 2))

Ya que True y False se representan en Python como 1 y 0respectivamente, solo tenemos que especificar que esta matriz debe ser booleana usando el opcional dtype parámetro y hemos terminado:

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

devoluciones:

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

ACTUALIZACIÓN: 30 de octubre de 2013

desde numpy versión 1.8nosotros podemos usar full para lograr el mismo resultado con una sintaxis que muestre más claramente nuestra intención (como señala fmonegaglia):

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

ACTUALIZACIÓN: 16 de enero de 2017

Desde al menos numpy versión 1.12, full lanza automáticamente a la dtype del segundo parámetro, por lo que podemos simplemente escribir:

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

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

ones y zerosque crean matrices llenas de unos y ceros respectivamente, tome una opción dtype parámetro:

>>> 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)

Si no tiene que ser escribible, puede crear una matriz de este tipo con np.broadcast_to:

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

Si necesita que se pueda escribir, también puede crear una matriz vacía y fill tú mismo:

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

Estos enfoques son solo sugerencias alternativas. En general, debe ceñirse a np.full, np.zeros o np.ones como sugieren las otras respuestas.

punto de referencia para la respuesta de Michael Currie

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()

Rápidamente corrió un tiempo para ver, si hay alguna diferencia entre el np.full y np.ones versión.

Responder: No

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")

Resultado:

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

IMPORTANTE

Con respecto a la publicación sobre np.empty (y no puedo comentar, ya que mi reputación es demasiado baja):

NO HAGAS ESO. NO USAR np.empty para inicializar un todo-True formación

Como la matriz está vacía, la memoria no está escrita y no hay garantía, cuáles serán sus valores, por ejemplo

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

>>> 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(Tamaño, Valor escalar, Tipo). También hay otros argumentos que se pueden pasar, para documentación sobre eso, verifique https://docs.scipy.org/doc/numpy/reference/generated/numpy.full.html