A [i] == B [i] )?
只使用 == 会得到一个布尔数组: >>> numpy.array([1,1,1]) == numpy.array([1,1,1])
array([ True, True, True], dtype=bool)
我是否需要将该数组的元素and
起来才能确定两个数组是否相等,还是有更简单的比较方法?
A [i] == B [i] )?
只使用 == 会得到一个布尔数组: >>> numpy.array([1,1,1]) == numpy.array([1,1,1])
array([ True, True, True], dtype=bool)
我是否需要将该数组的元素and
起来才能确定两个数组是否相等,还是有更简单的比较方法?
(A==B).all()
测试数组中的所有值是否都为True(A==B)。
注意:您可能还想测试A和B的形状,例如A.shape == B.shape
。
特殊情况和替代方案(来自dbaupp的答案和yoavram的评论)
应该注意到:
A
或B
之一为空并且另一个包含单个元素,则它将返回True
。由于比较A==B
返回一个空数组,所以all
操作符会返回True
。A
和B
形状不相同且不能被广播,则此方法将引发错误。总之,如果您对A
和B
的形状有疑问或只想保险起见,请使用其中一个专门的函数:
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
(A==B).all()
方法的解决方案非常简洁,但是也有一些用于此任务的内置函数,即 array_equal
、allclose
和 array_equiv
。
(虽然使用 timeit
进行快速测试似乎表明 (A==B).all()
方法是最快的方法,这有点奇怪,因为它需要分配一个全新的数组。)
(A==B).all()
会得到错误的答案。例如,请尝试:(np.array([1])==np.array([])).all()
,它会返回True
,而np.array_equal(np.array([1]), np.array([]))
则返回 False
。 - yoavram(a==b).all()
仍然比 np.array_equal(a, b)
更快(后者可能只检查了一个元素并退出)。 - Aidan Kanenp.array_equal
也适用于“数组列表”和“数组字典”。这可能是较慢性能的原因。 - Bernhardallclose
函数,这正是我需要进行数值计算的。它可以在容差范围内比较向量的相等性。 :) - loved.by.Jesusnp.array_equiv([1,1,1], 1)
是真的。这是因为:形状一致意味着它们具有相同的形状,或者一个输入数组可以被广播以创建与另一个数组相同的形状。 - EliadL如果您想检查两个数组的形状和元素是否相同,应使用np.array_equal
方法,因为它是文档推荐的方法。
从性能上来说,不要期望任何相等性检查会比另一个更好,因为没有太多优化比较两个元素的空间。仅仅为了演示,我还是做了一些测试。
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
差不多相等,不需要谈论速度。
(A==B).all()
的行为与以下代码片段类似:
x = [1,2,3]
y = [1,2,3]
print all([x[i]==y[i] for i in range(len(x))])
> True
让我们使用以下代码片段来衡量性能。
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
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==操作符和all()方法的组合更快,并且通过比较numpy方法中最快的一个似乎是numpy.array_equal方法。
numpy.allclose(A,B)
来代替 (A==B).all()
。这将返回一个布尔值 True/False。np.array_equal
。来自文档:np.array_equal([1, 2], [1, 2])
True
np.array_equal(np.array([1, 2]), np.array([1, 2]))
True
np.array_equal([1, 2], [1, 2, 3])
False
np.array_equal([1, 2], [1, 4])
False
np.array_equal
文档链接:https://numpy.org/doc/stable/reference/generated/numpy.array_equal.html - Milannumpy.testing.assert_array_equal(x, y)
您还可以使用类似的函数,例如numpy.testing.assert_almost_equal()
https://numpy.org/doc/stable/reference/generated/numpy.testing.assert_array_equal.html
为了完整起见,我将添加pandas方法来比较两个数组:
import numpy as np
a = np.arange(0.0, 10.2, 0.12)
b = np.arange(0.0, 10.2, 0.12)
ap = pd.DataFrame(a)
bp = pd.DataFrame(b)
ap.equals(bp)
True
提醒:如果您正在寻找如何在R中比较向量、数组或数据框的方法,您只需要使用以下代码:
identical(iris1, iris2)
#[1] TRUE
all.equal(array1, array2)
#> [1] TRUE
pd.
是什么意思呢?你应该提到你正在添加Pandas的附加依赖。 - Sysanin
np.array_equal
来比较两个数组是否相等。如果 A 和 B 长度不同,(A==B).all()
会崩溃。从 numpy 1.10 开始,== 在这种情况下会引发弃用警告。 - Wilfred Hughesnan!=nan
意味着array(nan)!=array(nan)
。 - Juh_