Порівнюючи два масиви NumPy для рівності, по елементу

Який найпростіший спосіб порівняти два масиви NumPy для рівності (де рівність визначається як: A = B iff для всіх індексів i:) A[i] == B[i]?

Просто використання ==дає мені булевий масив:

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

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

Чи потрібно мені andелементами цього масиву визначати, чи рівні масиви рівні, чи існує більш простий спосіб порівняння?

(A==B).all()

перевірити, чи всі значення масиву (A == B) є True.

Примітка. Можливо, ви також хочете перевірити форму A і B, наприклад A.shape == B.shape

Особливі випадки та альтернативи (з відповіді dbaupp та коментаря yoavram)

Слід зазначити, що:

• це рішення може мати дивну поведінку в конкретному випадку: якщо Aабо Bпорожній, а інший містить один елемент, він повертається True. Чомусь порівняння A==Bповертає порожній масив, для якого allповертається оператор True.
• Ще один ризик, якщо Aі Bне мають ту ж форму і не broadcastable, то цей підхід викличе помилку.

У висновку, якщо у вас є сумніви щодо приводу Aі Bформа або просто хочуть бути в безпеці: використання однієї із спеціалізованих функцій:

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()Рішення дуже акуратно, але є деякі вбудовані функції для виконання цього завдання. А саме array_equal, allcloseі array_equiv.

(Хоча деякі швидкі тестування з, timeitздається, вказують на те, що (A==B).all()метод є найшвидшим, що є дещо своєрідним, враховуючи, що він повинен виділити цілий новий масив.)

Давайте вимірюємо продуктивність, використовуючи наступний фрагмент коду.

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)

Вихідні дані

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

Відповідно до наведених вище результатів, методи numpy здаються швидшими, ніж комбінація оператора == та методу all (), а порівняння методів numpy найшвидшим - це метод numpy.array_equal .

Якщо ви хочете перевірити, чи мають два масиви однакові shapeІ elementsвам слід скористатися, np.array_equalоскільки це метод, рекомендований у документації.

Не очікуйте, що будь-яка перевірка рівності переможе іншу, оскільки для оптимізації не так багато місця comparing two elements. Тільки заради, я все-таки робив кілька тестів.

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 майже рівно, про швидкість говорити не потрібно.

В (A==B).all()поводиться досить багато , як в наступному фрагменті коду:

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

Зазвичай два масиви матимуть невеликі числові помилки,

Ви можете використовувати numpy.allclose(A,B)замість цього (A==B).all(). Це повертає бул True / False

Тепер використовуйте np.array_equal. З документації:

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