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：      

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“!”(“!=”是比较运算符--comparison operator, 只能用于比如说"b!=c"这样)。另外，"~"和"not"也是有区别的，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：

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。

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：

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：

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。