numpy.isclose

numpy.isclose(a, b, rtol=1e-05, atol=1e-08, equal_nan=False)[source]

Возвращает булеву массив, где два массива попарно равны в пределах заданной точности.

Значения толерантности положительные, обычно очень маленькие числа. Относительное различие (rtol * abs(b)) и абсолютное различие atol складываются, чтобы сравнить их с абсолютным различием между a и b.

Предупреждение

По умолчанию atol не подходит для сравнения чисел, намного меньших единицы (см. Примечания).

Параметры

a, barray_like

Входные массивы для сравнения.

rtolfloat

Параметр относительной толерантности (см. Примечания).

atolfloat

Параметр абсолютной толерантности (см. Примечания).

equal_nanbool

Определяет, сравнивать ли NaN как равные. Если True, NaN в a будут считаться равными NaN в b в результирующем массиве.

Возвращает

yarray_like

Возвращает булев массив, где a и b равны в пределах заданной толерантности. Если оба a и b являются скалярами, возвращает одно булево значение.

См. также

allclose

math.isclose

Примечания

Новое в версии 1.7.0.

Для конечных значений, isclose использует следующее уравнение для проверки того, являются ли два числа с плавающей точкой эквивалентными.

absolute(a - b) <= (atol + rtol * absolute(b))

В отличие от встроенной функции math.isclose, данное уравнение несимметрично относительно a и b – оно предполагает, что b является эталонным значением – поэтому isclose(a, b) может отличаться от isclose(b, a). Кроме того, значение по умолчанию для atol не равно нулю и используется для определения, какие малые значения следует считать близкими к нулю. Значение по умолчанию подходит для ожидаемых значений порядка единицы: если ожидаемые значения значительно меньше единицы, это может привести к ложным срабатываниям. atol должно быть тщательно выбрано для конкретного случая использования. Нулевое значение для atol приведет к False в случае, если a или b равны нулю.

isclose не определено для нечисловых типов данных.

Примеры

>>> np.isclose([1e10,1e-7], [1.00001e10,1e-8])
array([ True, False])
>>> np.isclose([1e10,1e-8], [1.00001e10,1e-9])
array([ True, True])
>>> np.isclose([1e10,1e-8], [1.0001e10,1e-9])
array([False,  True])
>>> np.isclose([1.0, np.nan], [1.0, np.nan])
array([ True, False])
>>> np.isclose([1.0, np.nan], [1.0, np.nan], equal_nan=True)
array([ True, True])
>>> np.isclose([1e-8, 1e-7], [0.0, 0.0])
array([ True, False])
>>> np.isclose([1e-100, 1e-7], [0.0, 0.0], atol=0.0)
array([False, False])
>>> np.isclose([1e-10, 1e-10], [1e-20, 0.0])
array([ True,  True])
>>> np.isclose([1e-10, 1e-10], [1e-20, 0.999999e-10], atol=0.0)
array([False,  True])