按元素比较两个 NumPy 数组的相等性

(A==B).all()

测试数组 (A==B) 的所有值是否为真。

注意：也许您还想测试 A 和 B 形状，例如 A.shape == B.shape

特殊情况和替代方案（来自 dbaupp 的回答和 yoavram 的评论）

应当指出的是：

此解决方案在特定情况下可能会出现奇怪的行为：如果 A 或 B 为空且另一个包含单个元素，则返回 True。出于某种原因，比较 A==B 返回一个空数组，对于该数组，all 运算符返回 True。

另一个风险是，如果 A 和 B 的形状不同且不可广播，那么这种方法将引发错误。

总之，如果您对 A 和 B 形状有疑问，或者只是为了安全起见：请使用以下专用函数之一：

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

---

(A==B).all() 解决方案非常简洁，但有一些用于此任务的内置函数。即array_equal、allclose和array_equiv。

（尽管使用 timeit 进行的一些快速测试似乎表明 (A==B).all() 方法是最快的，这有点奇怪，因为它必须分配一个全新的数组。）

---

如果您想检查两个数组是否具有相同的 shape AND elements，您应该使用 np.array_equal，因为它是文档中推荐的方法。

性能方面不要指望任何相等性检查会击败另一个，因为没有太多空间来优化比较两个元素。只是为了着想，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

所以几乎相等，无需谈论速度。

(A==B).all() 的行为与以下代码段非常相似：

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 == 运算符和 all() 方法的组合更快，并且通过比较 numpy 方法，最快的方法似乎是 numpy.array_equal 方法。

---

通常两个数组会有一些小的数值错误，

您可以使用 numpy.allclose(A,B)，而不是 (A==B).all()。这将返回一个布尔 True/False

---

现在使用 np.array_equal。从文档：

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

---

在其他答案之上，您现在可以使用断言：

numpy.testing.assert_array_equal(x, y)

您也有类似的功能，例如 numpy.testing.assert_almost_equal()

https://numpy.org/doc/stable/reference/generated/numpy.testing.assert_array_equal.html

---

只是为了完整性。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

仅供参考：如果您正在寻找如何在 R 中比较向量、数组或数据帧。您可以使用：

identical(iris1, iris2)
#[1] TRUE
all.equal(array1, array2)
#> [1] TRUE 

---