比较两个 NumPy 数组是否相等的最简单方法是什么(其中相等定义为:A = B iff 对于所有索引 i:A[i] == B[i]
)?
简单地使用 ==
给我一个布尔数组:
>>> numpy.array([1,1,1]) == numpy.array([1,1,1])
array([ True, True, True], dtype=bool)
我必须and
这个数组的元素来确定数组是否相等,还是有更简单的比较方法?
(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。)
(A==B).all()
得到错误的答案。例如,尝试:(np.array([1])==np.array([])).all()
,它给出 True
,而 np.array_equal(np.array([1]), np.array([]))
给出 False
(a==b).all()
仍然比 np.array_equal(a, b)
快(它可能只检查了一个元素并退出)。
np.array_equal
也适用于 lists of arrays
和 dicts of arrays
。这可能是性能较慢的一个原因。
allclose
,这是我进行 numerical 计算所需要的。它比较 tolerance 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相同的形状。
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
np.array_equal
文档链接:numpy.org/doc/stable/reference/generated/numpy.array_equal.html
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
不定期副业成功案例分享
np.array_equal
IME。如果 A 和 B 的长度不同,(A==B).all()
将崩溃。从 numpy 1.10 开始,== raises a deprecation warning in this case。nan!=nan
意味着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 是酉矩阵,所以 H xH.T.conj
是单位矩阵。但np.array_equal
返回 False