127

我们用零初始化一个 numpy 数组,如下所示:

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。
如果所有值确实为零,则该方法只需要返回 True 。

4

7 回答 7

201

此处发布的其他答案将起作用,但使用的最清晰和最有效的功能是numpy.any()

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

或者

>>> 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)找到第一个非零元素时可以立即返回要快。
    • 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。
于 2014-05-09T15:03:51.763 回答
85

查看numpy.count_nonzero

>>> np.count_nonzero(np.eye(4))
4
>>> np.count_nonzero([[0,1,7,0,0],[3,0,0,2,19]])
5
于 2013-08-23T06:08:53.133 回答
62

如果你有一个数组 a,我会在这里使用 np.all:

>>> np.all(a==0)
于 2013-08-23T12:19:45.510 回答
10

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

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

但是,答案声称any比其他选项更快,部分原因是短路。截至 2018 年,Numpy 的allany 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你自己的短路版本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,它们也往往比 Numpy 的版本更快。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all的和any等价的:

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))
于 2018-11-26T03:46:03.293 回答
2

这将起作用。

def check(arr):
    if np.all(arr == 0):
        return True
    return False
于 2021-01-08T15:28:26.920 回答
0

如果 ur 数组中的所有元素都大于或等于 0。我认为使用 sum 是最快的方法。

test = np.ones((128, 128, 128))
%%timeit
not np.any(test)
>>> 1.46 ms ± 9.09 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%%timeit
np.sum(test) == 0
>>> 646 µs ± 3.19 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
于 2021-06-02T05:27:43.063 回答
-8

如果您正在测试全零以避免在另一个 numpy 函数上出现警告,则将该行包装在尝试中,除了块将节省在您感兴趣的操作之前进行零测试,即

try: # removes output noise for empty slice 
    mean = np.mean(array)
except:
    mean = 0
于 2016-11-30T10:10:25.397 回答