การเปรียบเทียบ NumPy สองอาร์เรย์เพื่อความเท่าเทียมกันเป็นองค์ประกอบที่ชาญฉลาด

วิธีที่ง่ายที่สุดในการเปรียบเทียบสอง NumPy คืออาร์เรย์สำหรับความเท่าเทียมกัน (ที่ความเท่าเทียมกันถูกกำหนดเป็น: A = B iff สำหรับดัชนีทั้งหมด i:) A[i] == B[i]?

การใช้เพียงแค่==ให้ฉันเป็นบูลีนอาเรย์:

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

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

ฉันต้องandพิจารณาองค์ประกอบของอาร์เรย์นี้เพื่อตรวจสอบว่าอาร์เรย์มีค่าเท่ากันหรือมีวิธีที่ง่ายกว่าในการเปรียบเทียบหรือไม่

(A==B).all()

ทดสอบว่าทุกค่าของอาร์เรย์ (A == B) เป็นจริง

หมายเหตุ: บางทีคุณอาจต้องการทดสอบรูปร่าง A และ B เช่น A.shape == B.shape

กรณีพิเศษและทางเลือก (จากคำตอบของ dbaupp และความคิดเห็นของ yoavram)

ควรสังเกตว่า:

• การแก้ปัญหานี้สามารถมีพฤติกรรมแปลกโดยเฉพาะในกรณีถ้าอย่างใดอย่างหนึ่งAหรือBเป็นที่ว่างเปล่าและอื่น ๆ Trueหนึ่งมีองค์ประกอบเดียวแล้วก็กลับ ด้วยเหตุผลบางอย่างการเปรียบเทียบA==Bผลตอบแทนอาร์เรย์ที่ว่างเปล่าซึ่งผลตอบแทนที่ผู้ประกอบการallTrue
• ความเสี่ยงอีกประการหนึ่งคือถ้าAและBไม่มีรูปร่างเหมือนกันและไม่สามารถออกอากาศได้ดังนั้นวิธีการนี้จะทำให้เกิดข้อผิดพลาด

โดยสรุปหากคุณมีข้อสงสัยAและBรูปร่างหรือต้องการความปลอดภัย: ใช้หนึ่งในฟังก์ชั่นพิเศษ:

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

การ(A==B).all()แก้ปัญหานั้นเนี้ยบมาก แต่มีฟังก์ชั่นในตัวสำหรับงานนี้ กล่าวคือarray_equal, และallclosearray_equiv

(แม้ว่าจะมีการทดสอบอย่างรวดเร็วด้วยtimeitเพื่อระบุว่า(A==B).all()วิธีนี้เป็นวิธีที่เร็วที่สุดซึ่งเป็นสิ่งแปลกประหลาดเล็กน้อยเนื่องจากมันต้องจัดสรรอาเรย์ใหม่ทั้งหมด)

ลองวัดประสิทธิภาพโดยใช้โค้ดต่อไปนี้

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)

เอาท์พุต

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

จากผลการทดลองข้างต้นวิธีการ numpy ดูเหมือนจะเร็วกว่าการรวมกันของตัวดำเนินการ==และวิธีall ()และโดยการเปรียบเทียบวิธีการ numpy วิธีที่เร็วที่สุดดูเหมือนจะเป็นวิธีnumpy.array_equal

ถ้าคุณต้องการตรวจสอบว่าสองอาร์เรย์มีเหมือนกันshapeและelementsคุณควรใช้np.array_equalมันเป็นวิธีที่แนะนำในเอกสาร

ผลการดำเนินงานที่ชาญฉลาดไม่ได้คาดหวังว่าการตรวจสอบความเท่าเทียมกันใด ๆ comparing two elementsที่จะชนะอีกเป็นมีห้องไม่มากเพื่อเพิ่มประสิทธิภาพ ฉันก็ยังทำการทดสอบอยู่

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

เท่ากันมากไม่จำเป็นต้องพูดถึงความเร็ว

(A==B).all()พฤติกรรมสวยมากเป็นโค้ดต่อไปนี้:

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

โดยปกติแล้วสองอาร์เรย์จะมีข้อผิดพลาดเล็กน้อย

คุณสามารถใช้แทนnumpy.allclose(A,B) (A==B).all()สิ่งนี้จะส่งกลับค่าบูลจริง / เท็จ

np.array_equalตอนนี้ใช้ จากเอกสาร:

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