目录
0 概要
简单介绍几种用于判断numpy数组是否全零的测试方法。
1 numpy.any()
numpy.any()函数用于检查一个numpy数字是否存在任何一个非0元素，因此将numpy.any()的结果取反即得“numpy数组是否全0”的结果。例如：
import numpy as np
print('Using numpy.any()...')
a_1D = np.zeros(5)
print('Is a_1D all zeros?: ', not(np.any(a_1D)))
print('Is a_1D all zeros?: ', ~(np.any(a_1D)))
a_1D[2] = -1
print('Is a_1D all zeros?: ', not(np.any(a_1D)))
a_2D = np.zeros((2,3))
print(a_2D)
print('Is a_2D all zeros?: ', not(np.any(a_2D)))
a_2D[1,2] = 0.1
print('Is a_2D all zeros?: ', not(np.any(a_2D)))输出结果：
Using numpy.any()...
Is a_1D all zeros?: True
Is a_1D all zeros?: True
Is a_1D all zeros?: False
[[0. 0. 0.]
[0. 0. 0.]]
Is a_2D all zeros?: True
Is a_2D all zeros?: False
注意，python中逻辑取反可以用"~"也可以用"not"，但是不能用“!”("!"在C和verilog中也表示取反，但是在python中!另有功能)。但是"~"和"not"是有区别的，参见以下第4节。
2 numpy.count_nonzero()
numpy.count_nonzero()用于对数组的0元素个数进行计数，因此也可以用来执行是否全0的判断。用法如下：
print('Using numpy.nonzero()...')
a = np.array([1,2,3,0,0,1])
print('Number of zeros in a = ',np.count_nonzero(a))
print('Is a all zeros?: ', np.count_nonzero(a)==0)
a[:] = 0 # Force a to all-zeros array
print('Is a all zeros?: ', np.count_nonzero(a)==0)
print('Is a all zeros?: ', not np.count_nonzero(a)) Using numpy.nonzero()...
Number of zeros in a = 4
Is a all zeros?: False
Is a all zeros?: True
Is a all zeros?: True
3 numpy.all()
用numpy.all()也可以实现这一功能。以下例子利用了python内部会自动进行0--False, 1--True的转换。
print('')
print('Using numpy.all()...')
a = np.zeros(10)
print('Is a all zeros?: ', np.all(a==0)) Using numpy.all()...
Is a all zeros?: True
4. 多维数组可以分axis进行判断
对于多维数组（这正是numpy正真发挥强悍实力的地方）以上函数在缺省情况下是对整个数组进行统一判断，但是也可以通过axis参数指定沿指定轴分别处理。如下例所示：
print('')
print('Judge according to the specified axis')
a_2D = np.zeros((2,3))
a_2D[1,2] = 0.1
print(a_2D)
print('Is each col of a_2D all zeros?: ', ~(np.any(a_2D, axis=0)))
print('Is each row of a_2D all zeros?: ', ~(np.any(a_2D, axis=1)))Judge according to the specified axis
[[0. 0. 0. ]
[0. 0. 0.1]]
Is each col of a_2D all zeros?: [ True True False]
Is each row of a_2D all zeros?: [ True False]
当指定axis=0时相当于对2维数组按列判断是否全0，指定axis=1时相当于对2维数组按行判断是否全0。当然，这里所说的行和列的概念是从传统的2维数组或者矩阵里继承而来的概念，当考虑更高维数组的时候，行和列这个概念就不再适用了。关于高维数组（也称：Tensor，张量）的axis将另文介绍。
另外，前面提到表示逻辑取反的“~”和“not”是有所不同的。具体来说就是，not只接受一个操作数，因此以上这个例子如果将"~"改为not的话会报错，如下所示：
print('Is each col of a_2D all zeros?: ', not(np.any(a_2D, axis=0)))
print('Is each row of a_2D all zeros?: ', not(np.any(a_2D, axis=1)))报错如下：
而“~”是所谓的Bitwise NOT operator.
如果"~"的输入是一个整数的的话，它会将输入数的所有比特都取反。如果是一个numpy 数组的话，则会对其中每一个数执行按位逻辑取反操作。如果是一个numpy布尔类型（True, False）数组的话，则会对其中每一个布尔数执行逻辑取反操作--以上例子中正是这种用法。