python - 使用 == 比较 numpy 数组的规则是什么？

Question

例如，试图理解这些结果:

>>> x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> (x == np.array([[1],[2]])).astype(np.float32)
array([[ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]], dtype=float32)
>>> (x == np.array([1,2]))
   False
>>> (x == np.array([[1]])).astype(np.float32)
array([[ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]], dtype=float32)
>>> (x == np.array([1])).astype(np.float32)
array([ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.], dtype=float32)

>>> (x == np.array([[1,3],[2]]))
False
>>> 

这是怎么回事？在 [1] 的情况下，它将 1 与 x 的每个元素进行比较，并将结果聚合到一个数组中。在 [[1]] 的情况下，同样的事情。只需在 repl 上进行试验，就可以很容易地弄清楚特定阵列形状会发生什么。但是，双方都可以具有任意形状的基本规则是什么？

Answer 1

NumPy 在比较之前尝试将两个数组广播到兼容的形状。 如果广播失败，当前返回 False。 In the future ,

The equality operator == will in the future raise errors like np.equal if broadcasting or element comparisons, etc. fails.

否则，返回一个由逐个元素比较产生的 bool 数组。例如，由于 x 和 np.array([1]) 是可广播的，因此返回一个形状为 (10,) 的数组:

In [49]: np.broadcast(x, np.array([1])).shape
Out[49]: (10,)

由于 x 和 np.array([[1,3],[2]]) 不可广播，返回 False通过 x == np.array([[1,3],[2]])。

In [50]: np.broadcast(x, np.array([[1,3],[2]])).shape
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-50-56e4868cd7f7> in <module>()
----> 1 np.broadcast(x, np.array([[1,3],[2]])).shape

ValueError: shape mismatch: objects cannot be broadcast to a single shape