NumPy配列の全要素が条件を満たすか確認するall()の使い方

numpy.all()は、渡した配列内の要素のすべてが条件を満たすかどうかを確認するための関数です。具体的には、渡した配列の要素のすべてが True であれば True を返し、False か 0 が1つでも含まれている場合は False を返します。

この関数を使うと、ある配列の中の全ての要素が条件を満たしているかどうかや、不正な要素が入っていないかどうかなどを確認することができます。

このページでは、この関数の使い方を簡潔に解説します。

なお、似た関数にnp.any()があります。こちらについては『NumPy配列の要素が1つでも条件を満たすか確認するany()の使い方』で解説しています。両方を使いこなすようにすると良いでしょう。

1. 書式

まずは、基本的な書き方を確認しましょう。

np.all(a, axis=None, out=None, keepdims=<no value>)

2. サンプルコード

実際のコードを見て使い方を理解しましょう。重要なのは次の点です。

まずは、以上の2点を理解すれば十分です。それでは見ていきましょう。

np.all関数が False と判定する場合

np.all()は、引数に渡したオブジェクトの中に、ブール値 False が含まれていないかどうかを判定して、その結果を返します。

もし、ブール値 False が1つでも含まれていれば False を返します。

# 渡した配列の中にFalseが含まれていればFalseを返す
import numpy as np
x = np.array([True, False])
np.all(x)

False

Pythonでは、数値の 0 は ブール値 False と同値です。そのため、渡した配列の中に数値の 0 が 含まれている場合も、False と判定されます。

#  Pythonでは 0 == False
x = np.array([0, 1, 2])
np.all(x)

False

ブール値 False と 0 をどちらも含んでいなければ True を返します。

#  すべての要素が True なら　True を返す
x = np.array([True, True])
np.all(x)

True

具体的な使い方

この関数は具体的には、次のように、配列内の全ての要素がある条件を満たしているかどうかを確認するために使います。

#  配列 x を作成
x = np.arange(5, 10)
x

array([5, 6, 7, 8, 9])

#  配列 x の要素がすべて5以上かを確認する
np.all(x >= 5)

True

#  配列 x の要素がすべて5以下かを確認する
np.all(x <= 5)

False

このように、np.all()は、配列がある条件を満たしているかどうか、その中に不正な値が入っていないかどうかなどを判定するために使います。

負の数値や、欠損値NaN、無限値inf は True

なお、np.all()が False と判定するのは、対象のオブジェクトが 0 か False を含んでいる場合のみです。そのため、負の数値や、欠損値NaN、無限値inf はすべて True と判定されます。

#  負の数値や欠損値NaN、無限値infはTrue判定
np.all([-1])

True

np.all([np.nan])

True

np.all([np.inf]) 

True

多次元配列を渡す場合

np.all()に多次元配列を渡した場合は、配列内のすべての要素を判定します。

#  配列内の全ての要素を判定
x = np.arange(6).reshape(2, 3)
np.all(x <= 4)

False

判定を行う次元軸を指定したい場合は、オプション引数 axis= を使います。axis=0 だと、列ごとに判定を行います。

# 1次元軸（=各列）の要素を判定
np.all(x <= 4 , axis=0)

array([ True,  True, False])

axis=1 だと、行ごとに判定を行います。

# 2次元軸（=各行）の要素を判定
np.all(x <= 4, axis=1)

array([ True, False])

ご覧のように、この場合の戻り値の配列の形状は、元々の配列の指定した軸の要素数と同じ長さの1次元配列になります。

keepdims=True で次元数を維持

ただしオプション引数で keepdims=True とすると、戻り値の配列の次元数を元々の配列のままで維持することができます。この場合、元の配列がshape(m, n)だとすると、axisを指定しない場合はshape(1, 1)に、axis=0 の場合はshape(1, n) に、axis=1 の場合はshape(m, 1) になります。

# 次元数を維持 shape(1, 1)
np.all(x <= 4, keepdims=True)

array([[False]])

# shape(1, n)
np.all(x <= 4, axis=0, keepdims=True)

array([[ True,  True, False]])

# shape(m, 1)
np.all(x <= 4, axis=1, keepdims=True)

array([[ True],
       [False]])

out= で出力結果を他の配列に代入

オプション引数 out= で出力結果を、他の配列に代入することができます。この時、出力結果の配列と、代入先の配列のshapeが合致している必要があります。

なお、この場合、データ型は出力先の配列のものに合わされます。代入先の配列のデータ型がfloat型なら、そのままfloat型の配列になります（Python では0 = False であることを思い出しましょう）。

# オプション引数out=で、判定結果を他の配列に代入
# データ型は代入先の配列のまま
a = np.empty((3, ))
np.all(x, axis=0, out=a)
a

array([0., 1., 1.])

代入先の配列のデータ型がint型なら、そのままint型になります。

# データ型は代入先の配列のまま
a = np.array([3, 2, 1])
np.all(x, axis=0, out=a)
a

array([0, 1, 1])

ndarray.allメソッド

なお、全く同じ機能を持つndarray.all()メソッドもあります。使い方はnp.all()と同じです。

#  メソッドとして使用することも可能
x = np.arange(6).reshape(2, 3)
(x>4).all(axis=1)

array([False, False])

(x>=0).all(axis=1, keepdims=True)

array([[ True],
       [ True]])

3. まとめ

以上が、np.all()の使い方です。

まずは、オプション引数 axis= までを指定した基本的な使い方をしっかりと把握するようにしましょう。オプション引数の keepdim= や out= は必要に応じて見返すと良いでしょう。