So sánh hai mảng numpy cho sự bình đẳng, yếu tố thông minh

Question

Cách đơn giản nhất để so sánh hai mảng numpy cho bình đẳng là gì (bình đẳng được định nghĩa là: A = B iff cho tất cả các chỉ số i: A[i] == B[i])?

Đơn giản chỉ cần sử dụng == mang lại cho tôi một mảng boolean:

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

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

Tôi có phải and các yếu tố của mảng này để xác định xem các mảng đều bình đẳng, hoặc là có một cách đơn giản hơn để so sánh?

Answer 1

(A==B).all() 

kiểm tra nếu tất cả giá trị của mảng (A == B) là True.

Sửa (từ câu trả lời dbaupp và bình luận yoavram của)

Cần lưu ý rằng:

• giải pháp này có thể có một hành vi kỳ lạ trong một trường hợp cụ thể: nếu một trong hai A hoặc B trống và cái còn lại chứa một phần tử, sau đó nó trả về True. Vì một lý do nào đó, so sánh A==B trả về một mảng trống, mà toán tử all trả về True.
• Nguy cơ khác là nếu A và B không có cùng hình dạng và không phát sóng được thì phương pháp này sẽ gây ra lỗi.

Tóm lại, giải pháp tôi đề xuất là một trong những tiêu chuẩn, tôi nghĩ, nhưng nếu bạn có một nghi ngờ về A và B hình dạng hoặc đơn giản chỉ muốn được an toàn: sử dụng một trong những chức năng chuyên ngành:

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 

Answer 2

Giải pháp (A==B).all() rất gọn gàng, nhưng có một số chức năng được tích hợp sẵn cho tác vụ này. Cụ thể là array_equal, allclose và array_equiv.

(Mặc dù, một số thử nghiệm nhanh với timeit dường như chỉ ra rằng phương pháp (A==B).all() là nhanh nhất, đó là một chút đặc biệt, do nó phải phân bổ một mảng hoàn toàn mới.)

Answer 3

Hãy đo hiệu suất bằng cách sử dụng đoạn mã sau.

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) 

Output

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

Theo kết quả trên, các phương pháp NumPy dường như nhanh hơn so với sự kết hợp của == điều hành và tất cả() phương pháp và bởi so sánh các phương pháp gumpy nhanh nhất có vẻ là phương pháp numpy.array_equal.

Answer 4

Nếu bạn muốn kiểm tra xem hai mảng có cùng một số shape AND elements, bạn nên sử dụng np.array_equal vì đây là phương pháp được đề xuất trong tài liệu.

Hiệu suất khôn ngoan không mong đợi bất kỳ kiểm tra bình đẳng nào sẽ đánh bại một kiểm tra khác, vì không có nhiều chỗ để tối ưu hóa comparing two elements. Chỉ vì lợi ích, tôi vẫn làm một số xét nghiệm.

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 

Vì vậy, khá nhiều bình đẳng, không cần phải nói về tốc độ.

Các (A==B).all() cư xử khá nhiều như đoạn mã sau:

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