Answers:
(A==B).all()
测试数组(A == B)的所有值是否均为True。
注意:也许您还想测试A和B形状,例如 A.shape == B.shape
特殊情况和替代方法(来自dbaupp的回答和yoavram的评论)
应当指出的是:
A
或B
为空且另一个包含单个元素,则返回True
。由于某种原因,比较会A==B
返回一个空数组,all
操作员将为此返回一个空数组True
。A
且B
形状不相同且不可广播,则此方法将引发错误。总之,如果你有一个关于怀疑A
和B
形状或只是想安全:的专业功能用途之一:
np.array_equal(A,B) # test if same shape, same elements values
np.array_equiv(A,B) # test if broadcastable shape, same elements values
np.allclose(A,B,...) # test if same shape, elements have close enough values
nan!=nan
暗示了array(nan)!=array(nan)
。
import numpy as np
H = 1/np.sqrt(2)*np.array([[1, 1], [1, -1]]) #hadamard matrix
np.array_equal(H.dot(H.T.conj()), np.eye(len(H))) # checking if H is an unitary matrix or not
H是一个unit矩阵,因此H x H.T.conj
是一个单位矩阵。但是np.array_equal
返回False
该(A==B).all()
解决方案是很整齐,但也有完成这个任务的一些内置的功能。也就是说array_equal
,allclose
和array_equiv
。
(尽管,使用进行一些快速测试timeit
似乎表明该(A==B).all()
方法是最快的,由于必须分配一个全新的数组,因此该方法有点特殊。)
(A==B).all()
。例如,尝试:(np.array([1])==np.array([])).all()
,它给了True
,而np.array_equal(np.array([1]), np.array([]))
让False
(a==b).all()
速度仍然比np.array_equal(a, b)
(可能只检查了一个元素并退出)要快。
np.array_equal
也可用于lists of arrays
和dicts of arrays
。这可能是性能降低的原因。
allclose
,这是我进行数值计算所需要的。它比较容差内向量的相等性。:)
np.array_equiv([1,1,1], 1) is True
。这是因为:形状一致意味着它们要么是相同的形状,要么可以广播一个输入数组以创建与另一个形状相同的形状。
让我们通过使用以下代码来评估性能。
import numpy as np
import time
exec_time0 = []
exec_time1 = []
exec_time2 = []
sizeOfArray = 5000
numOfIterations = 200
for i in xrange(numOfIterations):
A = np.random.randint(0,255,(sizeOfArray,sizeOfArray))
B = np.random.randint(0,255,(sizeOfArray,sizeOfArray))
a = time.clock()
res = (A==B).all()
b = time.clock()
exec_time0.append( b - a )
a = time.clock()
res = np.array_equal(A,B)
b = time.clock()
exec_time1.append( b - a )
a = time.clock()
res = np.array_equiv(A,B)
b = time.clock()
exec_time2.append( b - a )
print 'Method: (A==B).all(), ', np.mean(exec_time0)
print 'Method: np.array_equal(A,B),', np.mean(exec_time1)
print 'Method: np.array_equiv(A,B),', np.mean(exec_time2)
输出量
Method: (A==B).all(), 0.03031857
Method: np.array_equal(A,B), 0.030025185
Method: np.array_equiv(A,B), 0.030141515
根据上面的结果,numpy方法似乎比==运算符和all()方法的组合要快,并且通过比较numpy方法,最快的方法似乎是numpy.array_equal方法。
如果要检查两个数组是否相同shape
并且elements
应该使用,np.array_equal
因为这是文档中建议的方法。
在性能方面,不要期望任何相等性检查会胜过另一个,因为没有太多的优化空间
comparing two elements
。为了方便起见,我仍然进行了一些测试。
import numpy as np
import timeit
A = np.zeros((300, 300, 3))
B = np.zeros((300, 300, 3))
C = np.ones((300, 300, 3))
timeit.timeit(stmt='(A==B).all()', setup='from __main__ import A, B', number=10**5)
timeit.timeit(stmt='np.array_equal(A, B)', setup='from __main__ import A, B, np', number=10**5)
timeit.timeit(stmt='np.array_equiv(A, B)', setup='from __main__ import A, B, np', number=10**5)
> 51.5094
> 52.555
> 52.761
几乎相等,无需谈论速度。
的(A==B).all()
的行为几乎如下面的代码片段:
x = [1,2,3]
y = [1,2,3]
print all([x[i]==y[i] for i in range(len(x))])
> True
np.array_equal
IME。如果A和B的长度不同,(A==B).all()
将会崩溃。从numpy 1.10开始,在这种情况下,==会引发弃用警告。