Kiểm tra xem mảng numpy chỉ chứa các số không

Chúng tôi khởi tạo một mảng numpy với các số không như sau:

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

Nhưng làm cách nào để kiểm tra xem tất cả các phần tử trong ma trận mảng n * n đã cho có bằng không hay không.
Phương thức chỉ cần trả về giá trị True nếu tất cả các giá trị thực sự là 0.

Kiểm tra numpy.count_nonzero .

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

Các câu trả lời khác được đăng ở đây sẽ hoạt động, nhưng chức năng rõ ràng và hiệu quả nhất để sử dụng là numpy.any():

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

hoặc là

>>> all_zeros = not a.any()

• Điều này được ưu tiên hơn numpy.all(a==0)vì nó sử dụng ít RAM hơn. (Nó không yêu cầu mảng tạm thời được tạo bởi a==0thuật ngữ.)
• Ngoài ra, nó nhanh hơn numpy.count_nonzero(a)vì nó có thể trả về ngay lập tức khi phần tử khác không đầu tiên được tìm thấy.
  • Chỉnh sửa: Như @Rachel đã chỉ ra trong các nhận xét, np.any()không còn sử dụng logic "ngắn mạch", vì vậy bạn sẽ không thấy lợi ích về tốc độ cho các mảng nhỏ.

Tôi sẽ sử dụng np.all ở đây, nếu bạn có một mảng a:

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

Như một câu trả lời khác đã nói, bạn có thể tận dụng các đánh giá true / falsy nếu bạn biết đó 0là phần tử giả duy nhất có thể có trong mảng của bạn. Tất cả các phần tử trong một mảng là giả mạo, không có bất kỳ phần tử trung thực nào trong đó. *

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

Tuy nhiên, câu trả lời cho rằng anynhanh hơn các phương án khác một phần là do chập mạch. Tính đến năm 2018, Numpy's allvà any không đoản mạch .

Nếu bạn làm điều này thường xuyên, bạn rất dễ tạo ra các phiên bản đoản mạch của riêng mình bằng cách sử dụng 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

Các phiên bản này có xu hướng nhanh hơn các phiên bản của Numpy ngay cả khi không bị chập mạch. count_nonzerolà chậm nhất.

Một số đầu vào để kiểm tra hiệu suất:

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]

Kiểm tra:

## 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)

* Tính năng hữu ích allvà anytương đương:

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))

Nếu bạn đang kiểm tra tất cả các số không để tránh cảnh báo trên một hàm numpy khác thì gói dòng trong một lần thử, ngoại trừ khối sẽ tiết kiệm việc phải thực hiện kiểm tra các số không trước khi thực hiện thao tác bạn quan tâm.

try: # removes output noise for empty slice 
    mean = np.mean(array)
except:
    mean = 0