Numpy 为什么使用zeros能够节省存储空间

在本文中，我们将介绍numpy中使用zeros能够减少存储空间的原因。numpy是一个Python平台上高性能的科学计算库，其在数值计算、线性代数、统计分析等方面都有非常出色的表现和广泛的应用。它可以通过数组的方式来存储和处理数据，而zeros作为其中一个非常重要的函数，能够极大地节省存储空间。

阅读更多：Numpy 教程

numpy.zeros函数的作用

numpy.zeros函数是用来创建一个指定大小或形状的全0数组的函数。其函数原型为：

numpy.zeros(shape, dtype=float, order='C')

其中，shape参数是用来指定输出数组的形状的。可以是整数或整数元组，例如：

np.zeros((2,3))

则生成一个2*3的数组。

dtype参数用来指定数组的数值类型。默认是float，也可以是int等其他类型。

order参数用来指定数组在内存中的存放顺序，’C’代表按行顺序存储，’F’则代表按列顺序存储。

numpy.zeros节省存储空间的原因

当我们使用numpy.zeros创建全0数组时，实际上numpy并不会在内存中真正地创建全0的数组，而是采用了一种类似指针的方式，指向某个内存地址的方式实现的，这个内存地址的内容被清空（即设置为0）。这意味着我们并没有在内存中创建一个值全为0的数组，而只是在内存中开辟了一块空间，它的值全为0，占据的存储空间非常小。

实际上，通常情况下创建一个数组需要先分配内存，而分配内存是需要时间和空间的，特别是对于大规模的数据来说，这显然是非常消耗时间和空间的操作。而采用类似指针的方式，可以快速地分配内存和清空内存。

举个例子，如果要创建一个10万行*100列的数组，如果采用传统的方式来创建，要占据非常大的内存空间，而使用numpy.zeros则只需要极小的内存空间。

import numpy as np
import sys

# 传统方式创建数组
a = [[0]*100 for _ in range(100000)]
print(sys.getsizeof(a))   # 输出结果：8000048

# numpy.zeros方式创建数组
b = np.zeros((100000,100))
print(sys.getsizeof(b))   # 输出结果：800096

我们可以看到，通过传统方式创建的数组所占据的内存空间要远远大于使用numpy.zeros方式创建数组所占据的空间。

numpy.zeros和其他创建数组的方法对比

numpy提供了许多创建数组的方法，下面我们分别以numpy.zeros、numpy.empty和numpy.ones为例，对这三种方法进行比较。

numpy.zeros和numpy.empty的区别

numpy.zeros和numpy.empty都是用来创建数组的函数，不同的是numpy.zeros会在创建数组时把值清为0，而numpy.empty不会。

numpy.empty只会开辟一块未经初始化的内存空间，其元素的具体值是未知的，通常它们会是由该内存地址处原先存在的值。在使用numpy.empty函数时，需要手动将所有元素设置为0或其他需要的值。

我们可以通过下面的代码来对比两者的结果：

a = np.zeros(5)
b = np.empty(5)

print(a)    # 输出结果：[0. 0. 0. 0. 0.]
print(b)    # 输出结果：[0. 0. 0. 0. 0.]

我们可以看到，两个数组的结果都是0，但是实际上numpy.empty函数并不保证数组元素一定是0，所以需要用户自行对其进行初始化。

numpy.zeros和numpy.ones的区别

numpy.zeros和numpy.ones都是用来创建全0或全1数组的函数，不同的是前者创建的数组中所有元素都是0，而后者创建的数组中所有元素都是1。

下面我们可以简单对比一下numpy.zeros和numpy.ones的代码：

a = np.zeros(5)
b = np.ones(5)

print(a)    # 输出结果：[0. 0. 0. 0. 0.]
print(b)    # 输出结果：[1. 1. 1. 1. 1.]

我们可以看到，numpy.zeros和numpy.ones在创建数组时都是非常便捷的函数，它们可以在申请较小的内存空间的同时快速生成所需要的数组，而且操作简单、易于使用。

总结

numpy.zeros函数是一个用来创建全0数组的便捷函数，它可以快速地生成所需要的数组，而且可以极大地节省存储空间。通过这篇文章，我们了解了numpy.zeros函数的使用方法和原理，以及和其他创建数组的函数的比较，相信大家对numpy这一强大的科学计算库有了更深入的理解。