测试numpy数组是否只包含零

Question

我们用零填充numpy数组如下:

np.zeros((N,N+1))

但是我们如何检查给定n*n numpy数组矩阵中的所有元素是否为零.
如果所有值都为零,则该方法只需返回True.

Answer 1

这里发布的其他答案将有效,但使用的最清晰,最有效的功能是numpy.any():

>>> all_zeros = not np.any(a)

要么

>>> all_zeros = not a.any()

• 这是首选,numpy.all(a==0)因为它使用较少的RAM.(它不需要a==0术语创建的临时数组.)
• 此外,它比numpy.count_nonzero(a)在找到第一个非零元素时立即返回更快.
  • 编辑:正如@Rachel在评论中指出的那样,np.any()不再使用"短路"逻辑,因此您不会看到小型阵列的速度优势.

Answer 2

看看numpy.count_nonzero.

>>> np.count_nonzero(np.eye(4))
4
>>> np.count_nonzero([[0,1,7,0,0],[3,0,0,2,19]])
5

Answer 3

我在这里使用np.all,如果你有一个数组a:

>>> np.all(a==0)

Answer 4

正如另一个答案所说，如果您知道这0是数组中唯一可能的虚假元素，则可以利用真/假评估。如果数组中没有任何真元素，则数组中的所有元素都是假的。*

>>> a = np.zeros(10)
>>> not np.any(a)
True

然而，答案声称这any比其他选项更快，部分原因是短路。截至 2018 年，Numpy'sall并any 没有短路.

如果你经常做这种事情，很容易使用以下方法制作自己的短路版本numba：

import numba as nb

# short-circuiting replacement for np.any()
@nb.jit(nopython=True)
def sc_any(array):
    for x in array.flat:
        if x:
            return True
    return False

# short-circuiting replacement for np.all()
@nb.jit(nopython=True)
def sc_all(array):
    for x in array.flat:
        if not x:
            return False
    return True

即使没有短路，这些也往往比 Numpy 的版本快。count_nonzero是最慢的。

检查性能的一些输入：

import numpy as np

n = 10**8
middle = n//2
all_0 = np.zeros(n, dtype=int)
all_1 = np.ones(n, dtype=int)
mid_0 = np.ones(n, dtype=int)
mid_1 = np.zeros(n, dtype=int)
np.put(mid_0, middle, 0)
np.put(mid_1, middle, 1)
# mid_0 = [1 1 1 ... 1 0 1 ... 1 1 1]
# mid_1 = [0 0 0 ... 0 1 0 ... 0 0 0]

查看：

## count_nonzero
%timeit np.count_nonzero(all_0) 
# 220 ms ± 8.73 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit np.count_nonzero(all_1)
# 150 ms ± 4.56 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

### all
# np.all
%timeit np.all(all_1)
%timeit np.all(mid_0)
%timeit np.all(all_0)
# 56.8 ms ± 3.41 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 57.4 ms ± 1.76 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 55.9 ms ± 2.13 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

# sc_all
%timeit sc_all(all_1)
%timeit sc_all(mid_0)
%timeit sc_all(all_0)
# 44.4 ms ± 2.49 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 22.7 ms ± 599 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 288 ns ± 6.36 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

### any
# np.any
%timeit np.any(all_0)
%timeit np.any(mid_1)
%timeit np.any(all_1)
# 60.7 ms ± 1.38 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 60 ms ± 287 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 57.7 ms ± 1.12 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

# sc_any
%timeit sc_any(all_0)
%timeit sc_any(mid_1)
%timeit sc_any(all_1)
# 41.7 ms ± 1.24 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 22.4 ms ± 1.51 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 287 ns ± 12.7 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

* 有用的all和any等效的：

np.all(a) == np.logical_not(np.any(np.logical_not(a)))
np.any(a) == np.logical_not(np.all(np.logical_not(a)))
not np.all(a) == np.any(np.logical_not(a))
not np.any(a) == np.all(np.logical_not(a))