《深度学习与图像识别：原理与实践》—2.3.11　Numpy数组比较

2.3.11　Numpy数组比较

Numpy有一个强大的功能是数组或矩阵的比较，数据比较之后会产生boolean值。示例代码如下：

import numpy as np

matrix = np.array([

 [5, 10, 15],

[20, 25, 30],

[35, 40, 45]

])

m = (matrix == 25)

print(m)

我们看到输出的结果如下：

[[False False False]

 [False  True False]

 [False False False]]

下面再来看一个比较复杂的例子，示例代码如下：

import numpy as np

matrix = np.array([

[5, 10, 15],

[20, 25, 30],

[35, 40, 45]

 ])

second_column_25 =  (matrix[:,1] == 25)

print(second_column_25)

print(matrix[second_column_25, :])

上述代码中，print(second_column_25)输出的是[False, True False]，首先matrix[:,1]代表的是所有的行，以及索引为1的列，即[10,25,40]，最后与25进行比较，得到的就是[False, True, False]。print(matrix[second_column_25, :])代表的是返回true值的那一行数据，即 [20, 25, 30]。

上述的示例是单个条件，Numpy也允许我们使用条件符来拼接多个条件，其中“&”代表的是“且”，“|”代表的是“或”。比如，vector=np.array([5,10,11,12]), equal_to_five_and_ten = (vector == 5) & (vector == 10)返回的都是false，如果是equal_to_five_or_ten = (vector == 5) | (vector == 10)，则返回的是[True,True,False,False]。

比较之后，我们就可以通过np.count_nonzero(x<=3)来计算小于等于3的元素个数了，1代表True，0代表False。也可以通过np.any(x == 0)，只要x中有一个元素等于0就返回True。np.all(x>0)则需要所有的元素都大于0才返回True。这一点可以帮助我们判断x里的数据是否满足一定的条件。