# NumPy full: Создание массивов с заданным значением

Массивы NumPy являются важной частью большинства рабочих процессов анализа данных и науки о данных в Python. Поэтому умение генерировать массивы является важным навыком. В этом уроке **вы узнаете, как использовать функцию NumPy full() для генерации массивов, заполненных заданным значением**. Эта функция похожа на функции NumPy zeroes() и NumPy ones(), однако она генерирует массивы различной формы, заполненные заданным числом.

К концу этого урока вы научитесь:

* Как работает функция NumPy full()
* Как генерировать одномерные и двумерные массивы, заполненные числами
* Как установить тип данных при создании массивов с помощью NumPy full()

Содержание

* [Понимание функции NumPy full()](#ponimanie-funkcii-numpy-full)
* [Создайте одномерный массив NumPy, заполненный одним и тем же числом](#sozdaite-odnomernyi-massiv-numpy-zapolnennyi-odnim-i-tem-zhe-chislom)
* [Создайте двумерный массив NumPy, заполненный одним и тем же числом](#sozdaite-dvumernyi-massiv-numpy-zapolnennyi-odnim-i-tem-zhe-chislom)
* [Измените тип данных при создании массивов NumPy с помощью full()](#izmenite-tip-dannykh-pri-sozdanii-massivov-numpy-s-pomoshyu-full)
* [Заключение](#zaklyuchenie)
* [Дополнительные ресурсы](#dopolnitelnye-resursy)

### Понимание функции NumPy full()

**What is the NumPy full() function?**

Функция full() в NumPy используется для создания массивов, заполненных заданным числом. Эта функция может создавать одномерные и двумерные массивы указанного типа данных.

Перед тем, как погрузиться в использование функции `full()` NumPy, давайте изучим, как эта функция устроена. Это позволит вам лучше понять параметры и аргументы по умолчанию функции. Знание этого готовит вас к пониманию того, как настроить вывод результирующей функции.

```python
# Понимание функции np.full() из библиотеки NumPy
import numpy as np

arr = np.full(shape, fill_value, dtype=None, order='C')
```

Функция `np.full()` создает новый массив заданной формы (`shape`) и заполняет его значениями `fill_value`.

Мы видим, что функция имеет четыре разных параметра, два из которых имеют аргументы по умолчанию. В таблице ниже эти аргументы подробно разобраны:

| Параметр      | Описание                                                                                                     | Аргумент по умолчанию | Принятые значения       |
| ------------- | ------------------------------------------------------------------------------------------------------------ | --------------------- | ----------------------- |
| `shape=`      | Форма нового массива.                                                                                        | N/A                   | int or sequence of ints |
| `fill_value=` | Используемое значение заполнения.                                                                            | N/A                   | scalar or array-like    |
| `dtype=`      | Тип данных для массива. Если указано None, тип данных будет соответствовать переданному значению заполнения. | `None`                | data type               |
| `order=`      | Хранить ли многомерные данные в порядке C-для Фортрана.                                                      | `'C'`                 | ‘C’ or ‘F’              |

Теперь, когда у вас есть твердое понимание функции, давайте углубимся в то, как мы можем использовать функцию для генерации массивов.

### Создайте одномерный массив NumPy, заполненный одним и тем же числом

NumPy позволяет легко создавать одномерные массивы, заполненные заданным значением. Для этого достаточно передать единственное целое число в параметр `shape=`. Это позволяет указать длину результирующего массива. Передав второе значение в функцию, можно указать значение, которым вы хотите заполнить массив.

Давайте создадим массив из пяти значений, содержащий значение 3:

```python
# Генерация одномерных массивов с помощью np.full()
import numpy as np

arr = np.full(shape=5, fill_value=3)
print(arr)

# Returns: [3 3 3 3 3]
```

Этот код создает одномерный массив размером 5, заполненный значением 3 с помощью функции `np.full()`.

В приведенном выше блоке кода мы передаем значения 5 и 3 в функцию `full()`. Поскольку параметры `shape=` и `fill_value=` являются первым и вторым значениями по позициям, мы можем избежать использования их ключевых слов.

### Создайте двумерный массив NumPy, заполненный одним и тем же числом

Чтобы создать двумерный массив в NumPy, заполненный заданным значением, можно передать кортеж значений в параметр shape. Это позволяет задать размеры результирующего массива. Давайте посмотрим, как мы можем создать массив размером 3 на 3, содержащий значение 3.

```python
# Генерация двумерных массивов с помощью np.full()
import numpy as np

arr = np.full(shape=(3, 3), fill_value=3)
print(arr)

# Returns: 
# [[3 3 3]
#  [3 3 3]
#  [3 3 3]]
```

Этот код создает двумерный массив размером 3x3, заполненный значением 3 с помощью функции `np.full()`.

Давайте разберем то, что мы сделали выше:

1. Мы передали `(3, 3)`, чтобы указать, что нам нужен массив размером 3 на 3.
2. Мы также передали значение для заполнения, равное 3, чтобы заполнить массив значением 3.

В следующем разделе вы узнаете, как указывать тип данных при создании массивов NumPy.

### Измените тип данных при создании массивов NumPy с помощью full()

По умолчанию функция `full()` в NumPy будет использовать тип данных значения заполнения, которое было передано. Это означает, что в предыдущих примерах тип данных значения был целым числом. Тем не менее, мы можем указать тип данных элементов в массиве, используя параметр `dtype=`. Давайте посмотрим, как мы можем воссоздать массив из вышеупомянутого примера, используя значения с плавающей точкой.

```python
# Изменение типа данных массивов, сгенерированных с помощью np.full()
import numpy as np

arr = np.full(shape=(3, 3), fill_value=3, dtype='float')
print(arr)

# Returns: 
# [[3. 3. 3.]
#  [3. 3. 3.]
#  [3. 3. 3.]]
```

Этот код создает двумерный массив размером 3x3, заполненный значением 3, и изменяет его тип данных на `float` с помощью параметра `dtype` функции `np.full()`.

Путем передачи `'float'` в качестве третьего аргумента, мы можем указать тип данных результирующего массива как вещественные числа. Это несмотря на то, что в качестве аргумента значения заполнения передается целое число.

### Заключение

В этом уроке вы научились создавать массивы NumPy с заданным значением заполнения с помощью функции `np.full()`. Сначала вы узнали, как разработана функция, изучив параметры и аргументы по умолчанию функции. Затем вы научились создавать одномерные и двумерные массивы с заданным значением заполнения. Наконец, вы научились указывать тип данных результирующего массива.

### Дополнительные ресурсы

Чтобы узнать больше о смежных темах, ознакомьтесь с ниже приведенными учебными пособиями:

* [NumPy для науки о данных в Python](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-dlya-data-science-na-python.md)
* [NumPy arange(): полное руководство (с примерами)](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-arange-polnoe-rukovodstvo-s-primerami.md)
* [Пространство журналов NumPy: понимание функции np.logspace()](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-logspace-ponimanie-funkcii-np.logspace.md)
* [NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace](/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-linspace-sozdanie-ravnomerno-raspolozhennykh-massivov-s-pomoshyu-np.linspace.md)
* [NumPy full(): официальная документация](https://numpy.org/doc/stable/reference/generated/numpy.full.html)


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://bemind.gitbook.io/neural/uchebniki-po-pandas-i-numpy/numpy/numpy-full-sozdanie-massivov-s-zadannym-znacheniem.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.