使用==比较numpy数组的规则是什么？

Question

例如，尝试理解以下结果：

>>> 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
>>>

这里发生了什么？在[1]的情况下，它将1与x的每个元素进行比较，并将结果汇​​总到一个数组中。对于[[1]]，同样的事情。仅通过对repl进行试验，就很容易弄清楚特定阵列形状会发生什么。但是，双方可以具有任意形状的基本规则是什么？

Answer 1

NumPy会在比较之前尝试将两个数组广播为兼容形状。如果广播失败，则当前返回False。将来，

==如果广播或元素比较等失败，则相等运算符将来会引发类似np.equal的错误。

否则，将返回由逐元素比较产生的布尔数组。例如，由于x和np.array([1])是可广播的，因此返回形状（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，False由返回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