在2D的numpy数组中，最有效（和Pythonic）的计算False值的方式是什么？

Question

我正在尝试计算类似于以下的 np.array 中的 False 值：

import numpy as np
a = np.array([[True,True,True],[True,True,True],[True,False,False]])

我通常使用以下方法：

我通常使用这种方法：

number_of_false=np.size(a)-np.sum(a)

有更好的方法吗？

- G M

---

使用 numpy.count_nonzero 怎么样？ - Antti Haapala -- Слава Україні

@AnttiHaapala使用numpy.sum也是一样的，只需计算True的数量。 - G M

Answer 1

使用count_nonzero函数来计算非零值（例如不是False的值）：

>>> np.size(a) - np.count_nonzero(a)
2

- Antti Haapala -- Слава Україні

---

是的，但这不是我更多或更少使用的相同解决方案吗？ - G M

而根据我的小型基准测试，优化了一个数量级。 :) - Reblochon Masque

Answer 2

询问确切需求肯定是最清晰的方式，但并不意味着这是最高效的方式：

在使用Python 2.7和Jupyter时，使用%%timeit对提供的答案进行测试，可以得出一个明确的获胜者：

    seq = [[True, True, False, True, False, False, False] * 10 for _ in range(100)]
    a = np.array(seq)

    np.size(a) - np.count_nonzero(a) 1000000 loops, best of 3: 1.34 µs per loop  - Antti Haapala
    (~a).sum()                        100000 loops, best of 3: 18.5 µs per loop  - Paul H
    np.size(a) - np.sum(a)             10000 loops, best of 3: 18.8 µs per loop  - OP
    len(a[a == False])                 10000 loops, best of 3: 52.4 µs per loop
    len(np.where(a==False))            10000 loops, best of 3: 77 µs per loop    - Forzaa
.

清晰的获胜者是Antti Haapala，其结果比其他方式高出一个数量级，使用np.size(a) - np.count_nonzero(a)计算。 len(np.where(a==False))似乎受到数组嵌套结构的惩罚；在1 D数组上进行相同的基准测试得到10000次循环，最佳3次的结果为27微秒每个循环。

- Reblochon Masque

---

顺便提一下：a.size 比 np.size(a) 快大约10倍。另一个基准测试的替代方法可能是 np.count_nonzero(~a)，虽然这不是最有效的方法。 - BottleNick

Answer 3

这样做可以实现这个功能： len(np.where(a==False)) 也许还有其他更快或更好看的方法。

- Forzaa

Answer 4

一个替代方案是：

np.bitwise_not(a).sum()

甚至更简洁的表述是：

(~a).sum()

- Paul H

Answer 5

统计假比较的数量

number_of_false = np.size(out_putArray) - np.count_nonzero(out_putArray[0] >= out_putArray[1])

计算真实比较的数字数量

number_of_true = np.count_nonzero(out_putArray[0] >= out_putArray[1])

- Vikas Vyas

---

“out_putArray”是什么？你的代码似乎无法工作。应该是number_of_true = np.count_nonzero(arr1 >= arr2)，不使用索引。 - Muhammad Yasirroni