比較兩個numpy數組是否相等(其中相等性定義爲:A = B iff所有索引i:A[i] == B[i]
)是什麼最簡單的方法?比較兩個numpy數組是否相等,元素方式
只需用==
給我一個布爾數組:
>>> numpy.array([1,1,1]) == numpy.array([1,1,1])
array([ True, True, True], dtype=bool)
我必須and
這個數組的元素,以確定是否數組是相等的,或者是有一個簡單的比較方法是什麼?
比較兩個numpy數組是否相等(其中相等性定義爲:A = B iff所有索引i:A[i] == B[i]
)是什麼最簡單的方法?比較兩個numpy數組是否相等,元素方式
只需用==
給我一個布爾數組:
>>> numpy.array([1,1,1]) == numpy.array([1,1,1])
array([ True, True, True], dtype=bool)
我必須and
這個數組的元素,以確定是否數組是相等的,或者是有一個簡單的比較方法是什麼?
(A==B).all()
測試數組(A == B)的所有值是否爲真。
編輯(從dbaupp的答案,並yoavram的評論)
應當注意的是:
A
或B
是空的另一個包含單個元素,則返回True
。出於某種原因,比較A==B
返回一個空數組,all
運算符返回True
。A
和B
不具有相同的形狀並且不能廣播,則此方法將引發錯誤。最後,我提出的解決方案是標準之一,但是我認爲,如果你有一個疑問A
和B
形狀或只是要安全:使用專門的功能之一:
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()
解決方案非常整潔,但有一些內置的功能用於此任務。即array_equal
,allclose
和array_equiv
。
(儘管隨着timeit
一些快速的測試似乎表明(A==B).all()
方法是最快的,這是一個有點特殊,因爲它分配一個全新的陣列。)
你是對的,除了如果其中一個被比較的數組是空的,你會通過'(A == B).all()'得到錯誤的答案。例如,嘗試:'(np.array([1])== np.array([]))。all()',它給出'True',而'np.array_equal(np.array([1] ),np.array([]))''false' – yoavram
我剛剛發現了這個性能差異。這很奇怪,因爲如果你有兩個完全不同的數組,'(a == b).all()'仍然比'np.array_equal(a,b)'快(它可能只檢查了一個元素並退出) 。 –
'np.array_equal'也適用於'數組列表'和'數組的列表'。這可能是性能下降的原因。 – TheEspinosa
讓我們用衡量性能以下一段代碼。
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)
輸出
Method: (A==B).all(), 0.03031857
Method: np.array_equal(A,B), 0.030025185
Method: np.array_equiv(A,B), 0.030141515
根據以上的結果,所述方法numpy的似乎是比==操作者的組合和所有()方法和通過快比較numpy方法最快似乎是numpy.array_equal方法。
您應該使用較大的陣列大小,它需要至少一秒鐘才能編譯以提高實驗的準確性。 –
如果您想檢查兩個陣列是否有相同的shape
和elements
您應該使用np.array_equal
,因爲它是文檔中建議的方法。
從性能角度看,不要指望任何平等檢查會打敗另一個平等檢查,因爲沒有太多空間來優化
comparing two elements
。爲了這個緣故,我仍然做了一些測試。
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
所以幾乎相等,沒有必要談速度。
的(A==B).all()
行爲幾乎如下面的代碼片段:
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
你幾乎總是要'np.array_equal' IME。如果A和B具有不同的長度,那麼'(A == B).all()'將會**。從1.10開始,[==在本例中引發了棄用警告](https://github.com/numpy/numpy/commit/6bf0e419dc79ea6815557c57b7e9bb504ba20543)。 –
你有一個很好的觀點,但是IME我通常會事先知道A和B的形狀。我想這取決於上下文,並且我猜的口感。 –