python代码，如何理解numpy.all()以及ndarray.all()函数？

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

基于python自带的的all()函数，如何理解numpy中的.all()函数呢？这就是本文要阐述的问题。具体的来说，本文要对ndarray类型的变量，实现.all()操作，即判断其元素是否全部为True。但是，基于ndarray类型的.all()操作是比较复杂的。本文也仅仅会对其做简要的描述，后续的高级参数部分，如果用得到，再写文章展开更深层次的描述。

苏南大叔的“程序如此灵动”技术博客，记录苏南大叔的代码经验总结。本文测试环境：win10，python@3.11.0，numpy@1.24.2。

前文回顾

python自带的any()和all()，是前文回顾的主要内容。这两个函数比较朴华无实，靠谱。参考文章：

• https://newsn.net/say/python-any.html
• https://newsn.net/say/python-all.html
• https://newsn.net/say/ndarray-flatten.html

但是.all()这个概念移植到numpy这边，就比较复杂了。有两个看起来效果完全一样的分支。比如：

• np.all(_ndarray)
• _ndarray.all()

在以前的文章中，就曾经使用这个ndarray.all()来判断两个ndarray数组是否相等。参考文章：

• https://newsn.net/say/ndarray-equal.html

本文【重点】结论

np.all(np.array)，其逻辑本质是对矩阵所有元素做【与】运算，有一个不为True则返回False。不返回False的时候，也不一定返回True。请对比下面的实验结果，反复理解这句话。

• 非零数字被理解为True。
• 返回的是传统的True和其它（不一定是False）。
• 可能会各种报错，特别是元素中出现字符串的时候。
• 算法上，可能是logic_and，并不是循环出某个元素，然后做个判断。所以，碰到一些无法执行and操作的对象，就会报错。

函数原型

函数原型：

numpy.all(arr, axis=None, out=None, keepdims=<no value>, *, where=<no value>)

对于二维数组来说，可以添加新的参数axis，来规定统计的范围。

• axis=0，就是普通最常见的做账单的方式（比如超市小票），效果是从上到下，以列为单位。
• axis=1，效果是从左到右，以行为单位。

参考文章：

• https://newsn.net/say/dataframe-axis.html

对于其它参数，因为实在是用不到，这里暂作伏笔。

基础测试例子

import numpy as np

a1 = np.arange(5)  # [0  1  2  3  4]
a1 = np.arange(0, 5, 1)  # [0  1  2  3  4]
print(np.all(a1), a1.all())  # False False  0被理解为false

a2 = np.arange(1, 5, 1)  # [1  2  3  4  5]
print(np.all(a2), a2.all())  # True True

a3 = np.array([[2, 4, 0], [1, 0, 0]])
print(np.all(a3), a3.all())  # False False
print(np.all(a3, axis=0))  # [ True False False]
print(a3.all(axis=1))  # [False False]

a4 = np.array([False, False, True, False])
print(np.all(a4), a4.all())  #  False False
print(np.all(a4, axis=0))  # False
# print(a4.all(axis=1))  # 报错

这个例子中，需要注意的是：
数字0是被当成False对待的。所以，第一个np.arange(5)里面的起始值0就妥妥的做了背锅侠。

稍稍复杂的例子

这里的代码的返回值，就不局限于False了，可能是True，也可能是其它。

import numpy as np

a5 = np.array([[False, False], [np.nan, 0], [None, None]])
print(np.all(a5), a5.all())  # False False
print(np.all(a5, axis=0))  # [False False]
print(a5.all(axis=1))  # [False 0 None]

a6 = np.array([["1", "2", "3"], ["False", None, True]])
print(np.all(a6), a6.all())  # None None
print(np.all(a6, axis=0))  # ['False' None True]
print(a6.all(axis=1))  # ['3' None]

a7 = np.array(["", np.nan, False, 0, None])
print(np.all(a7), a7.all())  #  啥输出都没有，实际输出的是空字符串
print(np.all(a7, axis=0))  #  啥输出都没有，实际输出的是空字符串

空数组

import numpy as np
a8 = np.array([])
print(np.all(a8), a8.all())  # True True
print(np.all(a8, axis=0))    # True

在空ndarray里面寻找非空元素，没有找到，返回True。

import numpy as np
print(np.all(np.array([])), np.array([]).all(), all([]))  # True True True
print(np.any(np.array([])), np.array([]).any(), any([]))  # False False False

numpy里面的all()，和自带的all()，对待空数组的时候，态度是一致的。

结束语

苏南大叔个人觉得，numpy目前的all()操作中，一些报错报的挺莫名其妙的。估计在后续的numpy升级中，会对这部分逻辑进行更好的修复。

• https://newsn.net/tag/python/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。