让我们使用下面的代码段来衡量性能。

import numpy as np
import time

exec_time0 = []
exec_time1 = []
exec_time2 = []

sizeOfArray = 5000
numOfIterations = 200

for i in xrange(numOfIterations):

    A = np.random.randint(0,255,(sizeOfArray,sizeOfArray))
    B = np.random.randint(0,255,(sizeOfArray,sizeOfArray))

    a = time.clock() 
    res = (A==B).all()
    b = time.clock()
    exec_time0.append( b - a )

    a = time.clock() 
    res = np.array_equal(A,B)
    b = time.clock()
    exec_time1.append( b - a )

    a = time.clock() 
    res = np.array_equiv(A,B)
    b = time.clock()
    exec_time2.append( b - a )

print 'Method: (A==B).all(),       ', np.mean(exec_time0)
print 'Method: np.array_equal(A,B),', np.mean(exec_time1)
print 'Method: np.array_equiv(A,B),', np.mean(exec_time2)

输出

Method: (A==B).all(),        0.03031857
Method: np.array_equal(A,B), 0.030025185
Method: np.array_equiv(A,B), 0.030141515

根据上面的结果，numpy方法似乎比==运算符和all()方法的组合更快，通过比较numpy方法，最快的方法似乎是numpy。array_equal方法。

让我们使用下面的代码段来衡量性能。

import numpy as np
import time

exec_time0 = []
exec_time1 = []
exec_time2 = []

sizeOfArray = 5000
numOfIterations = 200

for i in xrange(numOfIterations):

    A = np.random.randint(0,255,(sizeOfArray,sizeOfArray))
    B = np.random.randint(0,255,(sizeOfArray,sizeOfArray))

    a = time.clock() 
    res = (A==B).all()
    b = time.clock()
    exec_time0.append( b - a )

    a = time.clock() 
    res = np.array_equal(A,B)
    b = time.clock()
    exec_time1.append( b - a )

    a = time.clock() 
    res = np.array_equiv(A,B)
    b = time.clock()
    exec_time2.append( b - a )

print 'Method: (A==B).all(),       ', np.mean(exec_time0)
print 'Method: np.array_equal(A,B),', np.mean(exec_time1)
print 'Method: np.array_equiv(A,B),', np.mean(exec_time2)

输出

Method: (A==B).all(),        0.03031857
Method: np.array_equal(A,B), 0.030025185
Method: np.array_equiv(A,B), 0.030141515

根据上面的结果，numpy方法似乎比==运算符和all()方法的组合更快，通过比较numpy方法，最快的方法似乎是numpy。array_equal方法。

为了完整起见。我将添加 比较两个数组的Pandas方法:

import numpy as np
a = np.arange(0.0, 10.2, 0.12)
b = np.arange(0.0, 10.2, 0.12)
ap = pd.DataFrame(a)
bp = pd.DataFrame(b)

ap.equals(bp)
True

供你参考:如果你正在寻找如何 比较向量，数组或R中的数据框架。 你可以用:

identical(iris1, iris2)
#[1] TRUE
all.equal(array1, array2)
#> [1] TRUE 

(A==B).all()解决方案非常简洁，但有一些用于此任务的内置函数。即array_equal, allclose和array_equiv。

(尽管，一些快速的测试似乎表明(A==B).all()方法是最快的，这有点奇怪，因为它必须分配一个全新的数组。)

如果你想检查两个数组是否有相同的形状和元素，你应该使用np。Array_equal，因为它是文档中推荐的方法。

在性能方面，不要指望任何相等检查都能击败另一个，因为没有太多空间来优化比较两个元素。为了安全起见，我还是做了一些检查。

import numpy as np
import timeit

A = np.zeros((300, 300, 3))
B = np.zeros((300, 300, 3))
C = np.ones((300, 300, 3))

timeit.timeit(stmt='(A==B).all()', setup='from __main__ import A, B', number=10**5)
timeit.timeit(stmt='np.array_equal(A, B)', setup='from __main__ import A, B, np', number=10**5)
timeit.timeit(stmt='np.array_equiv(A, B)', setup='from __main__ import A, B, np', number=10**5)
> 51.5094
> 52.555
> 52.761

所以基本相等，不需要讨论速度。

(A==B).all()的行为类似于下面的代码片段:

x = [1,2,3]
y = [1,2,3]
print all([x[i]==y[i] for i in range(len(x))])
> True

(A==B).all()

测试数组(A==B)的所有值是否为True。

注意:也许你还想测试A和B的形状，比如A.shape == B.shape

特殊情况和替代方案(来自dbaupp的回答和yoavram的评论)

应当指出的是:

这种解决方案在特定情况下可能会有奇怪的行为:如果a或B中有一个是空的，而另一个包含单个元素，则返回True。由于某些原因，比较A==B返回一个空数组，all操作符返回True。 另一个风险是，如果A和B没有相同的形状，并且不可广播，那么这种方法将引发一个错误。

总之，如果你对a和B的形状有疑问，或者只是想要安全:使用其中一个专门的功能:

np.array_equal(A,B)  # test if same shape, same elements values
np.array_equiv(A,B)  # test if broadcastable shape, same elements values
np.allclose(A,B,...) # test if same shape, elements have close enough values