比较两个 NumPy 数组是否相等（其中相等定义为：A = B iff 对于所有索引 i：A[i] == B[i]）的最简单方法是什么？
只需使用== 就可以得到一个布尔数组：
>>> numpy.array([1,1,1]) == numpy.array([1,1,1])
array([ True, True, True], dtype=bool)
我必须and这个数组的元素来确定数组是否相等，还是有更简单的比较方法？
【问题讨论】：
标签： python arrays numpy elementwise-operations
(A==B).all()
测试数组 (A==B) 的所有值是否为真。
注意：也许你也想测试A和B形状，比如A.shape == B.shape
特殊情况和替代方案（来自 dbaupp 的回答和 yoavram 的评论）
需要注意的是：
A 或B 为空且另一个包含单个元素，则返回True。出于某种原因，比较 A==B 返回一个空数组，all 运算符返回True。A 和 B 的形状不同且不可广播，那么这种方法会引发错误。总之，如果您对 A 和 B 形状有疑问，或者只是为了安全起见：请使用其中一种特殊功能：
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
【讨论】：
np.array_equal IME。 (A==B).all() 如果 A 和 B 的长度不同会崩溃。从 numpy 1.10 开始，== raises a deprecation warning in this case.
nan!=nan 暗示array(nan)!=array(nan)。
import numpy as np H = 1/np.sqrt(2)*np.array([[1, 1], [1, -1]]) #hadamard matrix np.array_equal(H.dot(H.T.conj()), np.eye(len(H))) # checking if H is an unitary matrix or not H 是酉矩阵，所以 H x H.T.conj 是单位矩阵。但是np.array_equal 返回 False
(A==B).all() 解决方案非常简洁，但是有一些内置函数可以完成这项任务。即array_equal、allclose和array_equiv。
（尽管对timeit 进行的一些快速测试似乎表明(A==B).all() 方法是最快的，这有点奇怪，因为它必须分配一个全新的数组。）
【讨论】：
(A==B).all() 的错误答案。例如，尝试：(np.array([1])==np.array([])).all()，它给出True，而np.array_equal(np.array([1]), np.array([])) 给出False
(a==b).all() 仍然比 np.array_equal(a, b) 快（它可能只检查了一个元素并退出）。
np.array_equal 也适用于lists of arrays 和dicts of arrays。这可能是性能变慢的原因。
allclose 函数，这是我进行numerical 计算所需要的。它比较 tolerance 内向量的相等性。 :)
np.array_equiv([1,1,1], 1) is True。这是因为：形状一致意味着它们要么是相同的形状，要么可以广播一个输入数组以创建与另一个相同的形状。
让我们使用以下代码来衡量性能。
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)
输出
Method: (A==B).all(), 0.03031857
Method: np.array_equal(A,B), 0.030025185
Method: np.array_equiv(A,B), 0.030141515
根据上面的结果，numpy 方法似乎比 == 运算符和 all() 方法的组合更快，并且通过比较 numpy 方法最快的似乎是 numpy.array_equal 方法。
【讨论】：
如果您想检查两个数组是否具有相同的shape AND elements，您应该使用np.array_equal，因为这是文档中推荐的方法。
在性能方面不要期望任何相等性检查会胜过另一个，因为没有太多空间可以优化
comparing two elements。只是为了着想，我还是做了一些测试。
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
几乎相等，无需谈论速度。
(A==B).all() 的行为与以下代码 sn-p 非常相似：
x = [1,2,3]
y = [1,2,3]
print all([x[i]==y[i] for i in range(len(x))])
> True
【讨论】：
通常两个数组会有一些小的数值误差，
您可以使用numpy.allclose(A,B)，而不是(A==B).all()。这将返回一个布尔 True/False
【讨论】：
现在使用np.array_equal。来自文档：
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
【讨论】：
np.array_equal 文档链接：numpy.org/doc/stable/reference/generated/numpy.array_equal.html
在其他答案之上，您现在可以使用断言：
numpy.testing.assert_array_equal(x, y)
你也有类似的功能如numpy.testing.assert_almost_equal()
https://numpy.org/doc/stable/reference/generated/numpy.testing.assert_array_equal.html
【讨论】：