Python 如何在考虑元素位置的情况下逐个比较numpy数组元素？ 我想把两个麻木数组元素一个元素的位置考虑一下。比如说 [1, 2, 3]==[1, 2, 3] -> True [1, 2, 3]==[2, 1, 3] -> False

我尝试了以下方法

    for index in range(list1.shape[0]):
        if list1[index] != list2[index]:
            return False
    return True

但是我犯了以下错误

ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

但是，以下不是.any或.all的正确用法

 numpy.any(numpy.array([1,2,3]), numpy.array([1,2,3]))


 numpy.all(numpy.array([1,2,3]), numpy.array([1,2,3]))

当它回来的时候

 TypeError: only length-1 arrays can be converted to Python scalars

我很困惑，有人能解释一下我做错了什么吗

---

谢谢

您可以将布尔值数组传递给

all

，例如：

>>> import numpy as np
>>> a = np.array([1, 2, 3])
>>> b = np.array([2, 1, 3])
>>> a == b
array([False, False,  True], dtype=bool)
>>> np.all(a==b) # also works with all for 1D arrays
False

---

请注意，内置的

all

比

np快得多。对于小型阵列，all

比np.array\u equal更慢：

但无法正确使用多维数组：

>>> a = np.arange(9).reshape(3, 3)
>>> b = a.copy()
>>> b[0, 0] = 42
>>> all(a==b)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()
>>> np.all(a==b)
False

您还可以使用：

---

这应该更有效，因为您不需要保留临时的

a==b

---

注意：关于性能的一点，对于要使用

np.all

而不是

all

的较大阵列

array_equal

的性能大致相同，除非阵列在早期出现差异，否则它会更快，因为它可能在早期出现故障：

In [21]: a = np.arange(100000)

In [22]: b = np.arange(100000)

In [23]: c = np.arange(1, 100000)

In [24]: %timeit np.array_equal(a, a)  # Note: I expected this to check is first, it doesn't
10000 loops, best of 3: 183 µs per loop

In [25]: %timeit np.array_equal(a, b)
10000 loops, best of 3: 189 µs per loop

In [26]: %timeit np.array_equal(a, c)
100000 loops, best of 3: 5.9 µs per loop

In [27]: %timeit np.all(a == b)
10000 loops, best of 3: 184 µs per loop

In [28]: %timeit np.all(a == c)
10000 loops, best of 3: 40.7 µs per loop

In [29]: %timeit all(a == b)
100 loops, best of 3: 3.69 ms per loop

In [30]: %timeit all(a == c) # ahem!
# TypeError: 'bool' object is not iterable

---

您可能应该使用

np.all

，而不是内置的

all

。我认为两者之间存在很大的差异，但我在平板电脑上，因此无法测试。我猜内置的使用标准的迭代协议，而np使用C实现的快速循环。快速的

timeit

测试表明

all

快了一个数量级，这让我感到非常惊讶。@jornsharpe可能是针对小a和b的？@AndyHayden是的，

len（a）==len 3

，根据OP的例子。我已经用计时更新了答案。

numpy.all（numpy.array（[1,2,3]）==numpy.array（[1,2,3]）有什么问题？

？

>>> timeit.timeit("np.all(a==b)", setup="import numpy as np; a = np.arange(1000); b = a.copy(); b[999] = 0")
13.581198551000853
>>> timeit.timeit("all(a==b)", setup="import numpy as np; a = np.arange(1000); b = a.copy(); b[999] = 0")
30.610838356002205
>>> timeit.timeit("np.array_equal(a, b)", setup="import numpy as np; a = np.arange(1000); b = a.copy(); b[999] = 0")
17.95089965599982

In [11]: a = np.array([1, 2, 3])

In [12]: b = np.array([2, 1, 3])

In [13]: np.array_equal(a, a)
Out[13]: True

In [14]: np.array_equal(a, b)
Out[14]: False

In [21]: a = np.arange(100000)

In [22]: b = np.arange(100000)

In [23]: c = np.arange(1, 100000)

In [24]: %timeit np.array_equal(a, a)  # Note: I expected this to check is first, it doesn't
10000 loops, best of 3: 183 µs per loop

In [25]: %timeit np.array_equal(a, b)
10000 loops, best of 3: 189 µs per loop

In [26]: %timeit np.array_equal(a, c)
100000 loops, best of 3: 5.9 µs per loop

In [27]: %timeit np.all(a == b)
10000 loops, best of 3: 184 µs per loop

In [28]: %timeit np.all(a == c)
10000 loops, best of 3: 40.7 µs per loop

In [29]: %timeit all(a == b)
100 loops, best of 3: 3.69 ms per loop

In [30]: %timeit all(a == c) # ahem!
# TypeError: 'bool' object is not iterable