Перевірте, чи масив numpy містить лише нулі

Ми ініціалізуємо масив numpy нулями, як показано нижче:

np.zeros((N,N+1))

Але як ми перевіримо, чи всі елементи в заданій n * n матриці numpy масиву дорівнюють нулю.
Метод просто повинен повернути True, якщо всі значення дійсно дорівнюють нулю.

Перевірте numpy.count_nonzero .

>>> np.count_nonzero(np.eye(4))
4
>>> np.count_nonzero([[0,1,7,0,0],[3,0,0,2,19]])
5

Інші відповіді, розміщені тут, будуть працювати, але найбільш чіткою та ефективною функцією для використання є numpy.any():

>>> all_zeros = not np.any(a)

або

>>> all_zeros = not a.any()

• Цьому перевагу віддають, numpy.all(a==0)оскільки вона використовує менше оперативної пам'яті. (Для цього не потрібен тимчасовий масив, створений a==0терміном.)
• Крім того, це швидше, ніж numpy.count_nonzero(a)тому, що він може повернутися негайно, коли буде знайдено перший ненульовий елемент.
  • Редагувати: Як зазначав @Rachel у коментарях, np.any()більше не використовує логіку "короткого замикання", тому ви не побачите переваги швидкості для малих масивів.

Я б використовував np.all тут, якщо у вас є масив a:

>>> np.all(a==0)

Як говорить інша відповідь, ви можете скористатися оцінками неправдивості / хибності, якщо знаєте, що 0це єдиний фальшивий елемент, можливо, у вашому масиві. Усі елементи масиву хибні, якщо в ньому немає жодних елементів. *

>>> a = np.zeros(10)
>>> not np.any(a)
True

Однак відповідь стверджувала, що anyце швидше, ніж інші варіанти, частково через коротке замикання. Станом на 2018 рік, Numpy allі any не замикають .

Якщо ви часто робите подібні речі, дуже легко зробити власні версії з коротким замиканням, використовуючи numba:

import numba as nb

# short-circuiting replacement for np.any()
@nb.jit(nopython=True)
def sc_any(array):
    for x in array.flat:
        if x:
            return True
    return False

# short-circuiting replacement for np.all()
@nb.jit(nopython=True)
def sc_all(array):
    for x in array.flat:
        if not x:
            return False
    return True

Вони, як правило, швидші за версії Numpy, навіть коли вони не замикаються. count_nonzeroє найповільнішим.

Деякі дані для перевірки ефективності:

import numpy as np

n = 10**8
middle = n//2
all_0 = np.zeros(n, dtype=int)
all_1 = np.ones(n, dtype=int)
mid_0 = np.ones(n, dtype=int)
mid_1 = np.zeros(n, dtype=int)
np.put(mid_0, middle, 0)
np.put(mid_1, middle, 1)
# mid_0 = [1 1 1 ... 1 0 1 ... 1 1 1]
# mid_1 = [0 0 0 ... 0 1 0 ... 0 0 0]

Перевірка:

## count_nonzero
%timeit np.count_nonzero(all_0) 
# 220 ms ± 8.73 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit np.count_nonzero(all_1)
# 150 ms ± 4.56 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

### all
# np.all
%timeit np.all(all_1)
%timeit np.all(mid_0)
%timeit np.all(all_0)
# 56.8 ms ± 3.41 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 57.4 ms ± 1.76 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 55.9 ms ± 2.13 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

# sc_all
%timeit sc_all(all_1)
%timeit sc_all(mid_0)
%timeit sc_all(all_0)
# 44.4 ms ± 2.49 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 22.7 ms ± 599 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 288 ns ± 6.36 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

### any
# np.any
%timeit np.any(all_0)
%timeit np.any(mid_1)
%timeit np.any(all_1)
# 60.7 ms ± 1.38 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 60 ms ± 287 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 57.7 ms ± 1.12 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

# sc_any
%timeit sc_any(all_0)
%timeit sc_any(mid_1)
%timeit sc_any(all_1)
# 41.7 ms ± 1.24 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 22.4 ms ± 1.51 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 287 ns ± 12.7 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

* Корисно allта anyеквівалентно:

np.all(a) == np.logical_not(np.any(np.logical_not(a)))
np.any(a) == np.logical_not(np.all(np.logical_not(a)))
not np.all(a) == np.any(np.logical_not(a))
not np.any(a) == np.all(np.logical_not(a))

Якщо ви тестуєте на всі нулі, щоб уникнути попередження про іншу функцію numpy, тоді загортання рядка у спробу, окрім блокування, заощадить необхідність робити тест на нулі перед операцією, яка вас цікавить, тобто

try: # removes output noise for empty slice 
    mean = np.mean(array)
except:
    mean = 0