具有任意大小轴的 3-D 数组中的逐元素相等

Question

我正在寻找一种在 3D 或 N 维数组中查找元素相等性的有效方法，例如，图像的 RGB 像素上的相等值。部分测试数据：

a = numpy.arange(100).reshape((10,10))
b = a.copy()
c = a.copy()
b[5,5] = 1
c[6,6] = 100
d = numpy.array([a,b,c])

我可以想到三个选项，第一个不能很好地泛化到更多维度：

equal_mask = (d[0] == d[1]) & (d[0] == d[2])

或

equal_mask = d.min(axis=0) == d.max(axis=0)

或者，也许更好：

equal_mask = numpy.logical_and.reduce(d == d[0])

是否有更高效的解决方案？

编辑：我应该澄清一下，我不是指第一个轴上长度不同的 n-D、3-D，例如 d = numpy.array([a,b,c,a,b,c])。

Answer 1

也许是这个：

np.logical_and(*(d[0,:]==d[1:,:]))

Answer 2

这是 nD 数组情况的一种方法，它沿着第一个轴寻找所有 0's 微分 -

(np.diff(d,axis=0)==0).all(0)

样本运行验证结果-

In [46]: d = np.random.randint(0,9,(3,3,5,2,3,4,2))

In [47]: out = (np.diff(d,axis=0)==0).all(0)

In [48]: np.allclose(out,(d[0] == d[1]) & (d[0] == d[2]))
Out[48]: True

事实证明，此方法似乎比问题中列出的基于 numpy.logical_and.reduce 的方法慢。所以，在这一点上看起来坚持下去可能是要走的路。

Answer 3

Divakar 和 Colonel Beauvel 的解决方案都暗示我可以通过跳过检查 d[0] == d[0]:

使我的解决方案更快一些

numpy.logical_and.reduce(d[1:] == d[0])

就效率和在任意大小的轴上工作的能力而言，这似乎仍然是最好的解决方案，到目前为止...

具有任意大小轴的 3-D 数组中的逐元素相等

Element-wise equality in 3-D array with arbitrarily sized axes

python

numpy

equality