ValueError:具有多个元素的数组的真值是不明确的。使用a.any()或a.all()

如果a和b是布尔NumPy数组，&操作将返回它们的元素:

a & b

返回一个布尔数组。要将其减少为单个布尔价值，可以使用其中任何一个

(a & b).any()

或

(a & b).all()

注意:如果a和b是non-Boolean数组，请考虑改用(a - b).any()或(a - b).all()。

基本原理

NumPy开发人员认为在布尔上下文中没有一种普遍理解的方法来计算数组:如果任何元素是True，它可能意味着True;如果所有元素是True，它可能意味着True;如果数组长度非零，它可能意味着True，仅举三种可能性。

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()似乎不能工作，至少对我来说是这样。

或者，我找到了另一个解决方案，它完全适合我想要的功能(在尝试索引数组时，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)

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

然而，numpy.ndarray上的bool(如果它包含多个元素)将抛出你所见过的异常:

>>> 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、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只是另一种编写2 < x and x < 10的方式。而and将调用bool: bool(2 < x) and bool(x < 10)。

and的element-wise等效函数将是np.logical_and函数，类似地，你可以使用np.logical_or作为or的等效函数。

对于布尔数组——以及NumPy数组上的<、<=、==、!=、>=和>这样的比较返回布尔NumPy数组——你也可以使用element-wise位函数(和操作符):

>>> 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:

• "逻辑函数"
• "二进制操作"

如果你用pandas工作，什么解决了我的问题是，我试图做计算时，我有NA值，解决方案是运行:

df = df.dropna()

在那之后，计算失败了。

此类型化错误消息还显示了当存在数组(例如bool类型或int类型)时进行if-statement比较。请看例子:

... code snippet ...


if dataset == bool:
....


... code snippet ...

此子句将dataset作为数组，bool值为“open door”。True或False。

如果函数被包装在try-statement中，你将收到带有except Exception as error:的没有错误类型的消息:

具有多个元素的数组的真值是不明确的。使用a.any()或a.all()

采取@ZF007的答案，这并不能从整体上回答你的问题，但可以作为同样错误的解决方案。我张贴在这里，因为我还没有找到一个直接的解决方案作为这个错误消息的答案在Stack Overflow的其他地方。

当您检查数组是否为空时，将出现错误。

• < p > if np.array([1,2]): print(1)——比;ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()。

• < p > if np.array([1,2])[0]: print(1)——比;没有ValueError，但是:if np.array([])[0]: print(1)—>IndexError: index 0 is out of bounds for axis 0 with size 0。

• < p > if np.array([1]): print(1)——比;没有ValueError，但同样对包含许多元素的数组没有帮助。

• < p > if np.array([]): print(1)——比;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.

这样做:

• if np.array([]).size: print(1)解决了错误。

• 考虑@loki的注释，你也可以考虑更python化的:

  if np.array([]) is not None: print(1)

对我来说，这个错误发生在测试中，下面有错误的代码:

pixels = []
self.pixels = numpy.arange(1, 10)
self.assertEqual(self.pixels, pixels)

这段代码返回:

ValueError:具有多个元素的数组的真值是不明确的。使用a.any()或a.all()

因为我不能用列表断言numpy方法排列返回的对象。

解决方案作为将numpy的排列对象转换为list，我的选择是使用toList()方法，如下所示:

pixels = []
self.pixels = numpy.arange(1, 10).toList()
self.assertEqual(self.pixels, pixels)

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if b >= a: ?

因为，a和b不是个位数，你实际上是说，如果b的每个元素都大于a中的类似数字，那么你应该使用以下命令:

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

我遇到这个问题时，访问数据从json转储直接作为一个字典元素如下:

input_data = json.dumps({'source': 'xyz'})
get_data_source = input_data['source']

你可以用以下方法来解决它:

input_data_dict = json.loads(input_data)
get_data_source = input_data_dict['source']