~np.zeros()是否为初始化一维NumPy布尔全True数组的最快方式？

测试结果差异的核心原因 #

你测试中~np.zeros(10000, dtype=bool)比np.ones(10000, dtype=bool)更快，本质是底层内存操作的效率差：

• np.zeros依赖CPU原生的高效内存清零指令，直接把内存块设为0（对应bool类型的False）
• 按位取反~是单指令级的批量操作，对整个bool数组的内存块做翻转，额外开销极低
• 而np.ones需要将每个元素设置为1（对应bool类型的True），相比“清零+位翻转”的组合，多了一层逻辑处理，开销略高

通用选择准则 #

• 优先可读性（小尺寸数组）：如果数组元素数小于1000，两种方法的性能差异可以忽略，直接用np.ones(size, dtype=bool)，代码直观，维护成本低
• 优先性能（中/大尺寸数组）：当数组元素数超过1000时，~np.zeros(size, dtype=bool)的优势会逐渐明显，数组越大，性能差距越显著
• 适配已有数组场景：如果需要和现有数组保持形状/类型一致，用np.ones_like(arr, dtype=bool)，但这属于适配场景，而非全新初始化的最优解

其他更快的备选方法 #

• np.empty+fill组合：
  跳过初始化步骤，直接分配未初始化内存，再用底层批量填充操作设为True，测试中通常比~np.zeros更快：

  arr = np.empty(10000, dtype=bool)
  arr.fill(True)
  

• 极端性能需求的内存视图法：
  可读性极差，仅适合极端性能场景：

  arr = np.frombuffer(np.zeros(10000//8 +1, dtype=np.uint8), dtype=bool)[:10000]
  arr[:] = True
  

内容的提问来源于stack exchange，提问作者ruul