Сравнение двух массивов numpy для равенства, по элементам

каков самый простой способ сравнить два массива numpy для равенства (где равенство определяется как: A = B iff для всех индексов i:A[i] == B[i])?

просто используя == дает мне логический массив:

 >>> numpy.array([1,1,1]) == numpy.array([1,1,1])

array([ True,  True,  True], dtype=bool)

Я должен and элементы этого массива, чтобы определить, равны ли массивы, или есть более простой способ сравнения?

149
arrays elementwise-operations numpy python python-3.x

4 ответов

(A==B).all()

проверьте, все ли значения массива (A==B) истинны.

редактировать (из ответа дбауппа и комментария йоаврама)

следует отметить, что:

  • данное решение может иметь странное поведение в конкретном случае: если либо A или B пуст, а другой содержит один элемент, затем он возвращает True. Почему-то сравнение A==B возвращает пустой массив, для которого all оператор возвращает True.
  • еще один риск-если A и B не имеют одинаковой формы и не транслируются, тогда этот подход вызовет ошибку.

в заключение, решение, которое я предложил, является стандартным, я думаю, но если у вас есть сомнения относительно A и B форму, или просто хотите быть в безопасности: используйте одну из специализированных функций:

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
224

на (A==B).all() решение очень аккуратное, но для этой задачи есть некоторые встроенные функции. А именно array_equal, allclose и array_equiv.

(хотя, некоторые быстрое тестирование с timeit указывают на то, что (A==B).all() метод является самым быстрым, что немного странно, учитывая, что он должен выделить целый новый массив.)

70

давайте измерим производительность, используя следующий фрагмент кода.

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)

выход

Method: (A==B).all(),        0.03031857
Method: np.array_equal(A,B), 0.030025185
Method: np.array_equiv(A,B), 0.030141515

согласно приведенным выше результатам, методы numpy кажутся быстрее, чем комбинация == оператора и all () метод и путем сравнения методов numpy быстрый одна кажется и NumPy.array_equal метод.

12

если вы хотите проверить, имеют ли два массива одинаковые shape и elements вы должны использовать np.array_equal как это рекомендовано в документации.

производительность мудрый не ожидайте, что любая проверка равенства будет бить другой, так как нет много места для оптимизации comparing two elements. Просто ради интереса, я все еще делал некоторые тесты. 

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

так почти равны, не нужно говорить о скорости.

на (A==B).all() ведет себя в значительной степени как следующий фрагмент кода:

x = [1,2,3]
y = [1,2,3]
print all([x[i]==y[i] for i in range(len(x))])
> True
4