比较NumPy数组，以便NaNs进行相等比较
比较NumPy数组，以便NaNs进行相等比较
提问于 2012-05-30 23:46:04
有没有一种惯用的方法来比较两个将NaN视为相等(但不等于除NaN之外的任何值)的NumPy数组。
例如，我希望下面两个数组比较相等：
np.array([1.0, np.NAN, 2.0])
np.array([1.0, np.NAN, 2.0])与以下两个数组比较不相等：
np.array([1.0, np.NAN, 2.0])
np.array([1.0, 0.0, 2.0])我正在寻找一种能产生标量布尔结果的方法。
下面的代码可以做到这一点：
np.all((a == b) | (np.isnan(a) & np.isnan(b)))但它很笨拙，而且创建了所有这些中间数组。
有没有一种方法可以让眼睛看起来更舒服，并更好地利用内存？
附注:如果有帮助，我们知道这些数组具有相同的形状和数据类型。
回答 4
Stack Overflow用户
回答已采纳
发布于 2012-05-31 01:29:19
如果你真的关心内存使用(例如，有非常大的数组)，那么你应该使用numexpr，下面的表达式将为你工作：
np.all(numexpr.evaluate('(a==b)|((a!=a)&(b!=b))'))我已经在长度为3e8的非常大的数组上进行了测试，代码在我的机器上的性能与
np.all(a==b)并使用相同数量的内存。
Stack Overflow用户
发布于 2016-11-03 00:37:26
Numpy 1.10向np.allclose (https://docs.scipy.org/doc/numpy/reference/generated/numpy.allclose.html)添加了equal_nan关键字。
因此，您现在可以这样做：
In [24]: np.allclose(np.array([1.0, np.NAN, 2.0]),
np.array([1.0, np.NAN, 2.0]), equal_nan=True)
Out[24]: TrueStack Overflow用户
发布于 2012-05-31 01:18:03
免责声明:我不推荐经常使用它，我自己也不会使用它，但我可以想象在极少数情况下它可能是有用的。
如果这些数组具有相同的形状和数据类型，则可以考虑使用低级memoryview
>>> import numpy as np
>>>
>>> a0 = np.array([1.0, np.NAN, 2.0])
>>> ac = a0 * (1+0j)
>>> b0 = np.array([1.0, np.NAN, 2.0])
>>> b1 = np.array([1.0, np.NAN, 2.0, np.NAN])
>>> c0 = np.array([1.0, 0.0, 2.0])
>>>
>>> memoryview(a0)
<memory at 0x85ba1bc>
>>> memoryview(a0) == memoryview(a0)
True
>>> memoryview(a0) == memoryview(ac) # equal but different dtype
False
>>> memoryview(a0) == memoryview(b0) # hooray!
True
>>> memoryview(a0) == memoryview(b1)
False
>>> memoryview(a0) == memoryview(c0)
False但要注意像这样的微妙问题：
>>> zp = np.array([0.0])
>>> zm = -1*zp
>>> zp
array([ 0.])
>>> zm
array([-0.])
>>> zp == zm
array([ True], dtype=bool)
>>> memoryview(zp) == memoryview(zm)
False这是因为二进制表示法不同，尽管它们比较相等(当然，它们是必须的:这就是它知道打印负号的原因)
>>> memoryview(zp)[0]
'\x00\x00\x00\x00\x00\x00\x00\x00'
>>> memoryview(zm)[0]
'\x00\x00\x00\x00\x00\x00\x00\x80'好的一面是，它会像你希望的那样短路：
In [47]: a0 = np.arange(10**7)*1.0
In [48]: a0[-1] = np.NAN
In [49]: b0 = np.arange(10**7)*1.0
In [50]: b0[-1] = np.NAN
In [51]: timeit memoryview(a0) == memoryview(b0)
10 loops, best of 3: 31.7 ms per loop
In [52]: c0 = np.arange(10**7)*1.0
In [53]: c0[0] = np.NAN
In [54]: d0 = np.arange(10**7)*1.0
In [55]: d0[0] = 0.0
In [56]: timeit memoryview(c0) == memoryview(d0)
100000 loops, best of 3: 2.51 us per loop为了进行比较：
In [57]: timeit np.all((a0 == b0) | (np.isnan(a0) & np.isnan(b0)))
1 loops, best of 3: 296 ms per loop
In [58]: timeit np.all((c0 == d0) | (np.isnan(c0) & np.isnan(d0)))
1 loops, best of 3: 284 ms per loop页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/10819715
复制相关文章
相似问题