Сравнение двух массивов NumPy на равенство поэлементно

Какой самый простой способ сравнить два массива NumPy на равенство (где равенство определяется как: A = B тогда и только для всех индексов i:) A[i] == B[i]?

Простое использование ==дает мне логический массив:

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

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

Обязательно ли andэлементы этого массива, чтобы определить, равны ли массивы, или есть более простой способ сравнения?

(A==B).all()

проверить, все ли значения массива (A == B) равны True.

Примечание: возможно, вы также хотите проверить форму A и B, например: A.shape == B.shape

Особые случаи и альтернативы (из ответа dbaupp и комментария yoavram)

Следует отметить, что:

• это решение может иметь странное поведение в конкретном случае: если одно Aили Bпусто, а другое содержит один элемент, оно возвращается True. По какой-то причине сравнение A==Bвозвращает пустой массив, для которого allвозвращается оператор True.
• Другой риск состоит в том, что если Aи Bне имеют одинаковую форму и не могут быть переданы, то такой подход вызовет ошибку.

В заключение, если у вас есть сомнения по поводу Aи Bформе или вы 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

(A==B).all()Решение очень аккуратно, но есть некоторые встроенные функции для выполнения этой задачи. А именно array_equal, allcloseа array_equiv.

(Хотя некоторые быстрые тесты, по- timeitвидимому, указывают на то, что (A==B).all()метод является самым быстрым, что немного странно, учитывая, что ему нужно выделить целый новый массив.)

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)

Вывод

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, numpy-методы кажутся быстрее, чем комбинация оператора == и метода all (), и, сравнивая numpy-методы, самым быстрым кажется метод numpy.array_equal .

Если вы хотите проверить, имеют ли два массива одинаковые shapeAND elements, следует использовать np.array_equalметод, рекомендованный в документации.

С точки зрения производительности не ожидайте, что любая проверка на равенство превзойдет другую, так как нет места для оптимизации comparing two elements. Просто ради этого я все же провел несколько тестов.

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 что в равной степени, не нужно говорить о скорости.

В (A==B).all()ведет себя довольно много , как в следующем фрагменте кода:

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

Обычно два массива будут иметь небольшие числовые ошибки,

Вы можете использовать numpy.allclose(A,B)вместо (A==B).all(). Возвращает bool True / False

Сейчас пользуюсь np.array_equal. Из документации:

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