比较两个numpy数组是否相等(其中相等性定义为:A = B iff所有索引i:A[i] == B[i]
)是什么最简单的方法?比较两个numpy数组是否相等,元素方式
只需用==
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,以确定是否数组是相等的,或者是有一个简单的比较方法是什么?
比较两个numpy数组是否相等(其中相等性定义为:A = B iff所有索引i:A[i] == B[i]
)是什么最简单的方法?比较两个numpy数组是否相等,元素方式
只需用==
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,以确定是否数组是相等的,或者是有一个简单的比较方法是什么?
(A==B).all()
测试数组(A == B)的所有值是否为真。
编辑(从dbaupp的答案,并yoavram的评论)
应当注意的是:
A
或B
是空的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,all
运算符返回True
。A
和B
不具有相同的形状并且不能广播,则此方法将引发错误。最后,我提出的解决方案是标准之一,但是我认为,如果你有一个疑问A
和B
形状或只是要安全:使用专门的功能之一:
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()
解决方案非常整洁,但有一些内置的功能用于此任务。即array_equal
,allclose
和array_equiv
。
(尽管随着timeit
一些快速的测试似乎表明(A==B).all()
方法是最快的,这是一个有点特殊,因为它分配一个全新的阵列。)
你是对的,除了如果其中一个被比较的数组是空的,你会通过'(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([]))''false' – yoavram
我刚刚发现了这个性能差异。这很奇怪,因为如果你有两个完全不同的数组,'(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'数组列表'和'数组的列表'。这可能是性能下降的原因。 – TheEspinosa
让我们用衡量性能以下一段代码。
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
根据以上的结果,所述方法numpy的似乎是比==操作者的组合和所有()方法和通过快比较numpy方法最快似乎是numpy.array_equal方法。
您应该使用较大的阵列大小,它需要至少一秒钟才能编译以提高实验的准确性。 –
如果您想检查两个阵列是否有相同的shape
和elements
您应该使用np.array_equal
,因为它是文档中建议的方法。
从性能角度看,不要指望任何平等检查会打败另一个平等检查,因为没有太多空间来优化
comparing two elements
。为了这个缘故,我仍然做了一些测试。
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,没有必要谈速度。
的(A==B).all()
行为几乎如下面的代码片段:
x = [1,2,3]
y = [1,2,3]
print all([True if x[i]==y[i] else False for i in range(len(x))])
> True
你几乎总是要'np.array_equal' IME。如果A和B具有不同的长度,那么'(A == B).all()'将会**。从1.10开始,[==在本例中引发了弃用警告](https://github.com/numpy/numpy/commit/6bf0e419dc79ea6815557c57b7e9bb504ba20543)。 –
你有一个很好的观点,但是IME我通常会事先知道A和B的形状。我想这取决于上下文,并且我猜的口感。 –