以@ZF007的回答为例，这并不是在整体上回答你的问题，但可以作为同样错误的解决方案。我把它贴在这里，因为我还没有找到一个直接的解决方案来回答这个错误消息在Stack Overflow的其他地方。

当您检查数组是否为空时，会出现此错误。

if np.array([1,2]): print(1) --> ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all(). if np.array([1,2])[0]: print(1) --> no ValueError, but: if np.array([])[0]: print(1) --> IndexError: index 0 is out of bounds for axis 0 with size 0. if np.array([1]): print(1) --> no ValueError, but again will not help at an array with many elements. if np.array([]): print(1) --> DeprecationWarning: The truth value of an empty array is ambiguous. Returning False, but in future this will result in an error. Use 'array.size > 0' to check that an array is not empty. if np.array([]).size is not None: print(1): Taking up a comment by this user, this does not work either. This is since no np.array can ever be the same object as None - that object is unique - and thus will always match is not None (i.e. never match is None) whether or not it's empty.

这样做:

如果np.array([])。大小:打印(1)解决了错误。

以@ZF007的回答为例，这并不是在整体上回答你的问题，但可以作为同样错误的解决方案。我把它贴在这里，因为我还没有找到一个直接的解决方案来回答这个错误消息在Stack Overflow的其他地方。

当您检查数组是否为空时，会出现此错误。

if np.array([1,2]): print(1) --> ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all(). if np.array([1,2])[0]: print(1) --> no ValueError, but: if np.array([])[0]: print(1) --> IndexError: index 0 is out of bounds for axis 0 with size 0. if np.array([1]): print(1) --> no ValueError, but again will not help at an array with many elements. if np.array([]): print(1) --> DeprecationWarning: The truth value of an empty array is ambiguous. Returning False, but in future this will result in an error. Use 'array.size > 0' to check that an array is not empty. if np.array([]).size is not None: print(1): Taking up a comment by this user, this does not work either. This is since no np.array can ever be the same object as None - that object is unique - and thus will always match is not None (i.e. never match is None) whether or not it's empty.

这样做:

如果np.array([])。大小:打印(1)解决了错误。

出现异常的原因是and隐式调用bool。首先在左操作数上，然后(如果左操作数为True)在右操作数上。所以x和y等价于bool(x)和bool(y)

但是，numpy上的bool类型。Ndarray(如果它包含多个元素)将抛出你所看到的异常:

>>> import numpy as np
>>> arr = np.array([1, 2, 3])
>>> bool(arr)
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

bool()调用在and中是隐式的，但在if、while和or中也是隐式的，因此以下任何示例也会失败:

>>> arr and arr
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

>>> if arr: pass
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

>>> while arr: pass
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

>>> arr or arr
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

Python中还有更多隐藏bool调用的函数和语句，例如2 < x < 10就是2 < x和x < 10的另一种写法。And将调用bool: bool(2 < x)和bool(x < 10)。

和的元素等效形式是np。Logical_and函数，类似地，您可以使用np。Logical_or等价于或。

对于布尔数组——以及NumPy数组上的<、<=、==、!=、>=和>等比较返回布尔NumPy数组——您还可以使用按元素的位函数(和操作符):np。Bitwise_and(&运算符)

>>> np.logical_and(arr > 1, arr < 3)
array([False,  True, False], dtype=bool)

>>> np.bitwise_and(arr > 1, arr < 3)
array([False,  True, False], dtype=bool)

>>> (arr > 1) & (arr < 3)
array([False,  True, False], dtype=bool)

和bitwise_or(|操作符):

>>> np.logical_or(arr <= 1, arr >= 3)
array([ True, False,  True], dtype=bool)

>>> np.bitwise_or(arr <= 1, arr >= 3)
array([ True, False,  True], dtype=bool)

>>> (arr <= 1) | (arr >= 3)
array([ True, False,  True], dtype=bool)

一个完整的逻辑和二进制函数列表可以在NumPy文档中找到:

“逻辑功能” “二进制操作”

通常，当比较两个单个数字时，Python常规代码可以正常工作，但在数组中，有一些数字(不止一个数字)应该并行处理。

例如，让我们假设如下:

a = np.array([1, 2, 3])
b = np.array([2, 3, 4])

你想检查b >= a: ?

因为，a和b不是个位数，你的意思是，如果b的每个元素都大于a中相似的数字，那么你应该使用以下命令:

if (b >= a).all():
 print("b is greater than a!")

如果你与熊猫一起工作，为我解决的问题是，当我有NA值时，我试图做计算，解决方案是运行:

Df = Df .dropna()

在那之后，计算失败了。

我也遇到了同样的问题(即多条件索引，这里是在某个日期范围内查找数据)。(a-b).any()或(a-b).all()似乎不起作用，至少对我来说是这样。

或者，我找到了另一个解决方案，它完美地满足了我想要的功能(当尝试索引数组时，具有多个元素的数组的真值是不明确的)。

与其使用上面建议的代码，不如使用:

numpy.logical_and(a, b)