逐个元素比较两个 NumPy 数组是否相等

问题描述：

比较两个 NumPy 数组是否相等的最简单方法是什么（其中相等定义为：A = B 当且仅当对于所有索引 i A[i] == B[i]：）？

只需使用==即可得到一个布尔数组：

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

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

我是否必须根据and这个数组的元素来确定数组是否相等，或者是否有更简单的比较方法？

解决方案 1：

(A==B).all()

测试数组（A==B）的所有值是否为真。

注意：也许你还想测试 A 和 B 形状，例如A.shape == B.shape

特殊情况和替代方案（来自 dbaupp 的回答和 yoavram 的评论）

需要注意的是：

• 这种解决方案在特定情况下可能会出现奇怪的行为：如果 或A为B空，而另一个包含单个元素，则返回True。由于某种原因，比较A==B返回一个空数组，而all运算符返回True。

• 另一个风险是，如果A和B不具有相同的形状并且不可广播，那么这种方法将引发错误。

总之，如果您对形状有疑问A或B只是想安全：请使用以下专门功能之一：

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

解决方案 2：

解决方案(A==B).all()非常简洁，但有一些内置函数可用于完成此任务。即array_equal、allclose和array_equiv。

（虽然一些快速测试timeit似乎表明该(A==B).all()方法是最快的，但这有点奇怪，因为它必须分配一个全新的数组。）

解决方案 3：

如果您想检查两个数组是否具有相同的shapeAND ，elements您应该使用np.array_equal它，因为这是文档中推荐的方法。

性能方面，不要指望任何平等检查都会胜过另一个，因为没有太多优化空间comparing two elements。只是为了这个目的，我还是做了一些测试。

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

所以基本上相等，不需要谈论速度。

其(A==B).all()行为与以下代码片段非常相似：

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

解决方案 4：

让我们使用下面的一段代码来测量性能。

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)

输出

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

根据上述结果，numpy 方法似乎比==运算符和all()方法的组合更快，并且通过比较 numpy 方法，最快的方法似乎是numpy.array_equal方法。

解决方案 5：

通常两个数组会有一些小的数字错误，

您可以使用numpy.allclose(A,B)，而不是(A==B).all()。这将返回布尔值 True/False

解决方案 6：

现在使用np.array_equal。来自文档：

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

解决方案 7：

除了其他答案之外，您现在还可以使用断言：

numpy.testing.assert_array_equal(x, y)

您也有类似的功能，例如numpy.testing.assert_almost_equal()

https://numpy.org/doc/stable/reference/ generated/numpy.testing.assert_array_equal.html

解决方案 8：

只是为了完整性。我将添加用于比较两个数组的 pandas 方法：

import pandas as pd
import numpy as np
a = np.arange(0.0, 10.2, 0.12)
b = np.arange(0.0, 10.2, 0.12)
ap = pd.DataFrame(a)
bp = pd.DataFrame(b)

ap.equals(bp)
True

仅供参考：如果您正在寻找如何在 R 中比较向量、数组或数据框，您可以使用：

identical(iris1, iris2)
#[1] TRUE
all.equal(array1, array2)
#> [1] TRUE 

解决方案 9：

A=np.array([1,2,3,4])
B=np.array([1,2,3,4])

sum(A!=B)==0

这个想法是不相等元素的总数应该为零。