在比较两个numpy数组和计算匹配的数量(例如，机器学习中的正确类预测)方面，我发现下面的二维示例很有用:

import numpy as np
result = np.random.randint(3,size=(5,2)) # 5x2 random integer array
target = np.random.randint(3,size=(5,2)) # 5x2 random integer array

res = np.equal(result,target)
print result
print target
print np.sum(res[:,0])
print np.sum(res[:,1])

可以扩展到D维。

结果如下:

预测:

[[1 2]
 [2 0]
 [2 0]
 [1 2]
 [1 2]]

目标:

[[0 1]
 [1 0]
 [2 0]
 [0 0]
 [2 1]]

D=1时正确预测数:1

D=2时正确预测数为2

这个问题为我解决了一个非常相似的问题，我认为我应该分享:

在原始python中，你可以使用sum()来计算列表中的True值:

>>> sum([True,True,True,False,False])
3

但这行不通:

>>> sum([[False, False, True], [True, False, True]])
TypeError...

boolarr.sum(axis=1 or axis=0)

Axis = 1将输出一行中的真值个数，Axis = 0将计算列中的真值个数 所以

boolarr[[true,true,true],[false,false,true]]
print(boolarr.sum(axis=1))

将 (3,1)

b[b].size

其中b是问题中的布尔ndarray。它将b过滤为True，然后计算过滤后数组的长度。

这可能不像前面提到的np.count_nonzero()那样有效，但如果您忘记了其他语法，则很有用。此外，这种更短的语法节省了程序员的时间。

演示:

In [1]: a = np.array([0,1,3])

In [2]: a
Out[2]: array([0, 1, 3])

In [3]: a[a>=1].size
Out[3]: 2

In [5]: b=a>=1

In [6]: b
Out[6]: array([False,  True,  True])

In [7]: b[b].size
Out[7]: 2

在比较两个numpy数组和计算匹配的数量(例如，机器学习中的正确类预测)方面，我发现下面的二维示例很有用:

import numpy as np
result = np.random.randint(3,size=(5,2)) # 5x2 random integer array
target = np.random.randint(3,size=(5,2)) # 5x2 random integer array

res = np.equal(result,target)
print result
print target
print np.sum(res[:,0])
print np.sum(res[:,1])

可以扩展到D维。

结果如下:

预测:

[[1 2]
 [2 0]
 [2 0]
 [1 2]
 [1 2]]

目标:

[[0 1]
 [1 0]
 [2 0]
 [0 0]
 [2 1]]

D=1时正确预测数:1

D=2时正确预测数为2

你有多种选择。以下是两种选择。

boolarr.sum()
numpy.count_nonzero(boolarr)

这里有一个例子:

>>> import numpy as np
>>> boolarr = np.array([[0, 0, 1], [1, 0, 1], [1, 0, 1]], dtype=np.bool)
>>> boolarr
array([[False, False,  True],
       [ True, False,  True],
       [ True, False,  True]], dtype=bool)

>>> boolarr.sum()
5

当然，这是一个特定于boolean的答案。更一般地，可以使用numpy.count_nonzero。

>>> np.count_nonzero(boolarr)
5