判断np.array是否为空

要判断 numpy 数组是否为空，您可以使用 `numpy` 库中的 `numpy.size()` 函数来获取数组的元素个数，并检查其是否为零。如果数组的大小为零，则表示该数组为空。

以下是一个示例代码：

import numpy as np

arr = np.array([])

if np.size(arr) == 0:
    print("数组为空")
else:
    print("数组不为空")

请注意，即使数组中有 `None` 或 `np.nan` 等特殊值，只要数组的大小为零，就可以判断该数组为空。

相关问题

state0 = next_state print("------------state1------------", state) state = np.array(state0) if (state.size > 1): state = state.reshape(1, 2) elif (state.size == 0): state = np.array([0, 0]).reshape(1, 2) else:state = np.array([state, 0]).reshape(1, 2)

这段代码的作用是将变量 state0 的值赋给变量 state，并对 state 进行处理，最终返回一个形状为 (1, 2) 的 numpy 数组。具体的处理方法如下：

1. 将 state0 的值赋给 state。

2. 执行 print 函数，输出字符串 "------------state1------------" 和变量 state 的值。这里需要注意的是，输出的字符串中是 "state1" 而不是 "state"，可能是笔误。

3. 将 state 转换为 numpy 数组，并赋值给变量 state。这一步的目的是为了确保 state 是 numpy 数组类型。

4. 判断 state 是否为一个空数组，如果是，则创建一个形状为 (1, 2) 的 numpy 数组，其元素都为 0。如果不是，则继续执行下一步。

5. 判断 state 是否为一维数组，如果是，则将其转换为形状为 (1, 2) 的二维数组。如果不是，则继续执行下一步。

6. 如果 state 既不是空数组也不是一维数组，则直接将其转换为形状为 (1, 2) 的二维数组。

import os import cv2 import numpy as np def load_data(file_dir): all_num = 4000 train_num = int(all_num * 0.75) cats = [] label_cats = [] dogs = [] label_dogs = [] for file in os.listdir(file_dir): file="\\"+file name = file.split(sep='.') if 'cat' in name[0]: cats.append(file_dir + file) label_cats.append(0) else: if 'dog' in name[0]: dogs.append(file_dir + file) label_dogs.append(1) image_list = np.hstack((cats,dogs)) label_list = np.hstack((label_cats, label_dogs)) temp = np.array([image_list, label_list]) # 矩阵转置 temp = temp.transpose() # 打乱顺序 np.random.shuffle(temp) # print(temp) # 取出第一个元素作为 image 第二个元素作为 label image_list = temp[:, 0] label1_train = temp[:train_num, 1] # print(label1_train) # 单出，去掉单字符 label_train = [int(y) for y in label1_train] # print(label_train) label1_test = temp[train_num:, 1] label_test = [int(y) for y in label1_test] data_test=[] data_train = [] for i in range (all_num): if i <train_num: image= image_list[i] image = cv2.imread(image) image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #将图片转换成RGB格式 image = cv2.resize(image, (28, 28)) image = image.astype('float32') image = np.array(image)/255#归一化[0,1] image=image.reshape(-1,28,28) data_train.append(image) # label_train.append(label_list[i]) else: image = image_list[i] image = cv2.imread(image) image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) image = cv2.resize(image, (28, 28)) image = image.astype('float32') image = np.array(image) / 255 image = image.reshape(-1, 28, 28) data_test.append(image) # label_test.append(label_list[i]) data_train=np.array(data_train) label_train = np.array(label_train) data_test = np.array(data_test) label_test = np.array(label_test) return data_train,label_train,data_test, label_test

这段代码是定义了一个函数load_data，用来加载数据集，并将数据集划分为训练集和测试集。函数接收一个参数file_dir，表示数据集所在的路径。首先，定义了all_num和train_num两个变量，用来表示数据集的总数和训练集的数量，其中训练集的数量是总数的75%。然后，定义了四个空列表，分别用来存储猫的图片路径、猫的标签、狗的图片路径和狗的标签。接着，使用os.listdir函数遍历数据集路径下的所有文件，对每个文件进行判断，如果文件名中包含'cat'字符串，则将该文件的路径添加到cats列表中，并将标签0添加到label_cats列表中；如果文件名中包含'dog'字符串，则将该文件的路径添加到dogs列表中，并将标签1添加到label_dogs列表中。然后，使用numpy.hstack函数将猫和狗的图片路径和标签拼接成两个一维数组image_list和label_list。接着，使用numpy.array函数将image_list和label_list拼接成一个二维数组temp，并将其转置，使得图片路径和标签分别位于temp的第一列和第二列。然后，使用numpy.random.shuffle函数对temp进行打乱顺序操作。接着，将temp的第一列（即图片路径）赋值给image_list，将temp的前train_num行的第二列（即标签）赋值给label1_train，将temp的后面部分的第二列（即标签）赋值给label1_test。然后，将label1_train和label1_test从字符串类型转换为整型，并分别赋值给label_train和label_test。最后，调用前面提到的数据预处理代码，将image_list中的每张图片进行预处理，并将处理后的图片数据分别添加到data_train和data_test列表中，并将列表转换为numpy数组类型。最后，函数返回data_train、label_train、data_test和label_test四个变量。