NumPy zeros_like() 函数详解

在数据分析、机器学习与科学计算中经常需要创建一个与现有数组形状相同、但值全为零的新数组。
这时，NumPy 提供了一个非常方便的函数 —— numpy.zeros_like()。

✨当想要一个“和现有数组一样大，但全是零”的数组时，记得用 zeros_like()。

本文将深入介绍它的用法、参数、应用场景以及与 numpy.zeros() 的区别。

---

---

📘 一、函数简介

numpy.zeros_like() 是 NumPy 提供的一个用于创建零数组的函数。
它根据给定的数组（或类数组对象）创建一个形状、类型相同的新数组，但所有元素都被初始化为 0。

numpy.zeros_like(a, dtype=None, order='K', subok=True, shape=None)

官方文档介绍地址numpy.zeros_like

🧩 二、参数详解

参数名	说明	默认值
a	用作模板的数组或类数组对象	必填
dtype	指定返回数组的数据类型	默认为 a的数据类型
order	内存布局方式：'C'（行优先）或 'F'（列优先）	'K'（保持与 a一致）
subok	若为 True，则子类保持原类型；否则返回 np.ndarray	True
shape	可选，用于重新指定形状	None

---

⚙️ 三、基本用法示例

示例 1：最简单的用法

import numpy as npa = np.array([[1, 2, 3], [4, 5, 6]])
b = np.zeros_like(a)print("原数组 a：\n", a)
print("zeros_like 生成的新数组 b：\n", b)

输出：

原数组 a：[[1 2 3][4 5 6]]
zeros_like 生成的新数组 b：[[0 0 0][0 0 0]]

会发现：

• b 与 a 的形状完全一致
• 元素类型（dtype）也相同
• 所有元素都为 0

---

示例 2：指定数据类型

b = np.zeros_like(a, dtype=float)
print(b)

输出：

[[0. 0. 0.][0. 0. 0.]]

✅ 小技巧：当希望创建一个浮点型零矩阵（如在神经网络中初始化权重），可以通过 dtype=float 实现。

---

示例 3：指定不同形状

b = np.zeros_like(a, shape=(3, 3))
print(b)

输出：

[[0 0 0][0 0 0][0 0 0]]

虽然参考了 a，但通过 shape 参数指定了一个新的形状 (3, 3)。

---

示例 4：处理多维数组

tensor = np.arange(24).reshape(2, 3, 4)
zeros_tensor = np.zeros_like(tensor)print("原数组形状：", tensor.shape)
print("zeros_like 结果形状：", zeros_tensor.shape)

输出：

原数组形状： (2, 3, 4)
zeros_like 结果形状： (2, 3, 4)

💡 非常适合在深度学习中创建梯度矩阵或缓存变量。

---

🔍 四、与 numpy.zeros() 的区别

函数	创建方式	形状来源	常用场景
numpy.zeros(shape)	手动指定形状	由参数提供	创建全零数组
numpy.zeros_like(a)	基于参考数组	继承自数组 a	创建相同结构的零数组

示例对比：

a = np.arange(6).reshape(2, 3)
z1 = np.zeros((2, 3))
z2 = np.zeros_like(a)print(z1)
print(z2)

输出结果相同，但 z2 的创建过程更简洁，更安全（不易出错）。

---

⚡ 五、性能分析

import numpy as np
import timea = np.random.rand(1000, 1000)# zeros
start = time.time()
z1 = np.zeros(a.shape)
print("zeros 耗时：", time.time() - start)# zeros_like
start = time.time()
z2 = np.zeros_like(a)
print("zeros_like 耗时：", time.time() - start)

两者性能非常接近，但 zeros_like() 避免了显式指定形状，代码更简洁、更可维护。

---

🧱 六、实际应用场景

1. 矩阵运算初始化

result = np.zeros_like(matrix)

2. 神经网络梯度缓存

grad_W = np.zeros_like(weights)

3. 掩码操作或图像处理

mask = np.zeros_like(image, dtype=bool)

4. 科学计算的占位符数组

temp = np.zeros_like(data, dtype=float)

---

🧭 七、总结

特性	zeros_like()
功能	创建一个与给定数组形状和类型相同的零数组
优点	简洁、安全、自动继承 dtype 与 shape
常见用途	初始化、占位、缓存矩阵、图像掩码