使用 == 比较 numpy 数组的规则是什么？

例如，尝试理解这些结果：

>>> x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> (x == np.array([[1],[2]])).astype(np.float32)
array([[ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]], dtype=float32)
>>> (x == np.array([1,2]))
   False
>>> (x == np.array([[1]])).astype(np.float32)
array([[ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]], dtype=float32)
>>> (x == np.array([1])).astype(np.float32)
array([ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.], dtype=float32)

>>> (x == np.array([[1,3],[2]]))
False
>>> 

这里发生了什么？在 [1] 的情况下，它将 1 与 x 的每个元素进行比较并将结果聚合到数组中。在 [[1]] 的情况下，同样的事情。只需在 repl 上进行实验，就很容易弄清楚特定数组形状会发生什么。但是双方可以具有任意形状的基本规则是什么？

NumPy 在比较之前尝试将两个数组广播为兼容的形状。 如果广播失败，目前返回False。将来,

相等运算符==将来会引发类似错误 np.equal 如果广播或元素比较等失败。

否则，返回由逐个元素比较产生的布尔数组。例如，自从x and np.array([1])是可广播的，返回形状为 (10,) 的数组：

In [49]: np.broadcast(x, np.array([1])).shape
Out[49]: (10,)

Since x and np.array([[1,3],[2]])不可广播，False由返回x == np.array([[1,3],[2]]).

In [50]: np.broadcast(x, np.array([[1,3],[2]])).shape
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-50-56e4868cd7f7> in <module>()
----> 1 np.broadcast(x, np.array([[1,3],[2]])).shape

ValueError: shape mismatch: objects cannot be broadcast to a single shape