Jak sprawdzić, czy wszystkie wiersze są równe w numpy?

Question

Czy w numpy istnieje ładny idiomatyczny sposób sprawdzania, czy wszystkie wiersze są równe w tablicy 2d?

mogę zrobić coś podobnego

np.all([np.array_equal(M[0], M[i]) for i in xrange(1,len(M))]) 

to wydaje się mieszać z listy python numpy tablice który jest brzydki i przypuszczalnie również powolny.

Czy jest ładniejszy/schludniejszy sposób?

Answer 1

Jednym ze sposobów jest odejmij pierwszy wiersz ze wszystkich wierszy macierzy i sprawdzić, że każda pozycja jest równa 0:

>>> a = np.arange(9).reshape(3, 3) 
>>> b = np.ones((3, 3)) 
>>> ((a - a[0]) == 0).all() 
False 
>>> ((b - b[0]) == 0).all() 
True 

to może być szybsze niż identyfikowanie unikalnych wierszy dla większych tablic becaus e pozwala uniknąć dużej liczby potrzebnych porównań.

Nieco szybszy sposób stosując tę ​​samą podstawową ideą jest:

(arr == arr[0]).all() 

to sprawdzenie, że każdy rząd arr wynosi pierwszym rzędzie arr.

Answer 2

Wystarczy sprawdzić, czy liczba, jeśli unikatowe elementy w tablicy są 1:

>>> arr = np.array([[1]*10 for _ in xrange(5)]) 
>>> len(np.unique(arr)) == 1 
True 

Rozwiązanie wzorowane unutbu na answer:

>>> arr = np.array([[1]*10 for _ in xrange(5)]) 
>>> np.all(np.all(arr == arr[0,:], axis = 1)) 
True 

Jeden problem z kodem polega na tym, że najpierw tworzysz całą listę, zanim nałożysz na nią np.all(). Dzięki temu nie ma zwarcie dzieje się w Twojej wersji, zamiast, że byłoby lepiej, gdyby użyć Pythona all() z wyrażeniem generatora:

rozrządu porównań:

>>> M = arr = np.array([[3]*100] + [[2]*100 for _ in xrange(1000)]) 
>>> %timeit np.all(np.all(arr == arr[0,:], axis = 1)) 
1000 loops, best of 3: 272 µs per loop 
>>> %timeit (np.diff(M, axis=0) == 0).all() 
1000 loops, best of 3: 596 µs per loop 
>>> %timeit np.all([np.array_equal(M[0], M[i]) for i in xrange(1,len(M))]) 
100 loops, best of 3: 10.6 ms per loop 
>>> %timeit all(np.array_equal(M[0], M[i]) for i in xrange(1,len(M))) 
100000 loops, best of 3: 11.3 µs per loop 

>>> M = arr = np.array([[2]*100 for _ in xrange(1000)]) 
>>> %timeit np.all(np.all(arr == arr[0,:], axis = 1)) 
1000 loops, best of 3: 330 µs per loop 
>>> %timeit (np.diff(M, axis=0) == 0).all() 
1000 loops, best of 3: 594 µs per loop 
>>> %timeit np.all([np.array_equal(M[0], M[i]) for i in xrange(1,len(M))]) 
100 loops, best of 3: 9.51 ms per loop 
>>> %timeit all(np.array_equal(M[0], M[i]) for i in xrange(1,len(M))) 
100 loops, best of 3: 9.44 ms per loop