使用 == 比较 numpy 数组的规则是什么？

Question

例如，尝试理解这些结果：

>>> x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> (x == np.array([[1],[2]])).astype(np.float32)
array([[ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]], dtype=float32)
>>> (x == np.array([1,2]))
   False
>>> (x == np.array([[1]])).astype(np.float32)
array([[ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]], dtype=float32)
>>> (x == np.array([1])).astype(np.float32)
array([ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.], dtype=float32)

>>> (x == np.array([[1,3],[2]]))
False
>>> 

这里发生了什么？在 [1] 的情况下，它将 1 与 x 的每个元素进行比较，并将结果聚合到一个数组中。在 [[1]] 的情况下，同样的事情。只需在 repl 上进行试验，就很容易弄清楚特定数组形状会发生什么。但是双方可以有任意形状的基本规则是什么？

Answer 1

NumPy 在比较之前尝试将两个数组广播到兼容的形状。 如果广播失败，则当前返回 False。 In the future,

等式运算符== 将来会引发类似的错误 np.equal 如果广播或元素比较等失败。

否则，将返回一个由逐个元素比较产生的布尔数组。例如，由于 x 和 np.array([1]) 是可广播的，因此返回一个形状为 (10,) 的数组：

In [49]: np.broadcast(x, np.array([1])).shape
Out[49]: (10,)

由于x 和np.array([[1,3],[2]]) 不可广播，False 由x == np.array([[1,3],[2]]) 返回。

In [50]: np.broadcast(x, np.array([[1,3],[2]])).shape
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-50-56e4868cd7f7> in <module>()
----> 1 np.broadcast(x, np.array([[1,3],[2]])).shape

ValueError: shape mismatch: objects cannot be broadcast to a single shape

Answer 2

让你感到困惑的可能是：

1. 一些broadcasting 正在进行中。

2. 您似乎拥有旧版本的 numpy。

---

x == np.array([[1],[2]])

正在广播。它将x 与第一个和第二个数组中的每一个进行比较；因为它们是标量，广播意味着它将x 的每个元素与每个标量进行比较。

---

但是，每个

x == np.array([1,2])

和

x == np.array([[1,3],[2]])

无法广播。由我，numpy 1.10.4，这给了

/usr/local/bin/ipython:1: DeprecationWarning: elementwise == comparison failed; this will raise an error in the future.
#!/usr/bin/python
False

Answer 3

添加到 unutbu 的答案中，数组不需要具有相同的维数。例如，尺寸为 1 的尺寸被拉伸以匹配另一个尺寸。

A      (4d array):  8 x 1 x 6 x 1
B      (3d array):      7 x 1 x 5
Result (4d array):  8 x 7 x 6 x 5

A      (2d array):  5 x 4
B      (1d array):      1
Result (2d array):  5 x 4

A      (2d array):  5 x 4
B      (1d array):      4
Result (2d array):  5 x 4

A      (3d array):  15 x 3 x 5
B      (3d array):  15 x 1 x 5
Result (3d array):  15 x 3 x 5

A      (3d array):  15 x 3 x 5
B      (2d array):       3 x 5
Result (3d array):  15 x 3 x 5

A      (3d array):  15 x 3 x 5
B      (2d array):       3 x 1
Result (3d array):  15 x 3 x 5