Porównywanie dwóch tablic NumPy dla równości, pod względem elementów

Jaki jest najprostszy sposób porównania dwóch tablic NumPy dla równości (gdzie równość jest zdefiniowana jako: A = B iff dla wszystkich wskaźników i:) A[i] == B[i]?

Proste użycie ==daje mi tablicę boolowską:

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

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

Czy muszę andelementów tej tablicy, aby ustalić, czy tablice są równe, czy też istnieje prostszy sposób na porównanie?

(A==B).all()

sprawdź, czy wszystkie wartości tablicy (A == B) są prawdziwe.

Uwaga: być może chcesz również przetestować kształt A i B, na przykład A.shape == B.shape

Przypadki specjalne i alternatywy (z odpowiedzi dbaupp i komentarza yoavram)

Należy zauważyć że:

• to rozwiązanie może mieć dziwne zachowanie w konkretnym przypadku: jeśli jeden Alub Bjest pusty, a drugi zawiera pojedynczy element, wówczas zwraca True. Z jakiegoś powodu porównanie A==Bzwraca pustą tablicę, do której allzwraca operator True.
• Innym ryzykiem jest sytuacja Ai Bnie mają ten sam kształt i nie są broadcastable, to podejście zgłosi błąd.

Podsumowując, jeśli masz wątpliwości Ai Bkształtujesz lub po prostu chcesz być bezpieczny: skorzystaj z jednej ze specjalistycznych funkcji:

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()Rozwiązanie jest bardzo schludny, ale istnieją pewne wbudowane funkcje dla tego zadania. Mianowicie array_equal, allclosei array_equiv.

(Chociaż niektóre szybkie testy timeitwydają się wskazywać, że (A==B).all()metoda jest najszybsza, co jest nieco dziwne, biorąc pod uwagę, że musi ona przydzielić całą nową tablicę.)

Zmierzmy wydajność za pomocą następującego fragmentu kodu.

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)

Wynik

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

Zgodnie z powyższymi wynikami metody numpy wydają się być szybsze niż połączenie operatora == i metody all () , a przez porównanie metod numpy najszybszą wydaje się metoda numpy.array_equal .

Jeśli chcesz sprawdzić, czy dwie tablice mają takie same shapeORAZ elementspowinieneś użyć, np.array_equalponieważ jest to metoda zalecana w dokumentacji.

Pod względem wydajności nie oczekuj, że jakakolwiek kontrola równości pokona kolejną, ponieważ nie ma wiele miejsca na optymalizację comparing two elements. Na wszelki wypadek wciąż przeprowadzałem testy.

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

Tak prawie równe, nie trzeba mówić o prędkości.

Że (A==B).all()zachowuje się dość dużo jak poniższym fragmencie kodu:

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

Zwykle w dwóch tablicach występują niewielkie błędy numeryczne,

Możesz użyć numpy.allclose(A,B)zamiast (A==B).all(). Zwraca bool Prawda / Fałsz

Teraz użyj np.array_equal. Z dokumentacji:

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