Numpy的`logical_or`为两个以上的参数
Numpy的logical_or函数不超过两个数组进行比较。 我怎样才能find超过两个数组的联合？ （关于Numpy的logical_and和获得两个以上数组的交集，可能会问同样的问题。）
如果你问的是numpy.logical_or ，那么不可以，正如文档明确说的那样，唯一的参数是x1, x2 ，也可以是out ：
numpy.logical_or（x1, x2[, out]）=<ufunc 'logical_or'>
你当然可以像这样链接多个logical_or call：
>>> x = np.array([True, True, False, False]) >>> y = np.array([True, False, True, False]) >>> z = np.array([False, False, False, False]) >>> np.logical_or(np.logical_or(x, y), z) array([ True, True, True, False], dtype=bool)
在NumPy中推广这种链接的方法是reduce ：
>>> np.logical_or.reduce((x, y, z)) array([ True, True, True, False], dtype=bool)
当然，如果你有一个multidimensional array而不是单独的数组，那么这也将起作用 – 事实上，这就是它的意图 ：
>>> xyz = np.array((x, y, z)) >>> xyz array([[ True, True, False, False], [ True, False, True, False], [False, False, False, False]], dtype=bool) >>> np.logical_or.reduce(xyz) array([ True, True, True, False], dtype=bool)
但是三个等长一维数组的元组在NumPy术语中是一个array_like ，可以用作二维数组。
在NumPy之外，你也可以使用Python的reduce ：
>>> functools.reduce(np.logical_or, (x, y, z)) array([ True, True, True, False], dtype=bool)
但是，与NumPy的reduce不同，Python不是经常需要的。 对于大多数情况，有一种更简单的方法来做事情，例如，将多个Python or操作符链接在一起，不要reduce operator.or_ ，只要使用any operator.or_ 。 而当不存在时，通常使用显式循环更具可读性。
事实上，NumPy的any都可以用于这种情况，尽pipe它不是很平常; 如果你没有明确地给它一个轴，你将会得到一个标量而不是一个数组。 所以：
>>> np.any((x, y, z), axis=0) array([ True, True, True, False], dtype=bool)
正如你所期待的， logical_and是相似的 – 你可以链接它， np.reduce ， functools.reduce ，或者用明确的axisreplaceall的。
其他操作呢，比如logical_xor ？ 再次，同样的交易…除了在这种情况下没有适用的all / anytypes的函数。 （你会怎么称呼它？ odd ？）
由于布尔代数根据定义是可交换和关联的，所以下面的语句或等价的布尔值a，b和c。
a or b or c
(a or b) or c
a or (b or c)
(b or a) or c
所以，如果你有一个“逻辑_或”是二元的，你需要传递三个参数（a，b和c），你可以调用
logical_or(logical_or(a, b), c)
logical_or(a, logical_or(b, c))
logical_or(c, logical_or(b, a))
或者你喜欢的任何排列方式。
回到python，如果你想testing一个条件（由一个接受一个被test者并返回一个布尔值的函数test产生）是否适用于a或b或者c或者列表L的任何元素，你通常使用
any(test(x) for x in L)
如果有人仍然需要这个 – 假设你有三个布尔数组a ， b ， c具有相同的形状，这给出and元素明智的：
a * b * c
这给出or ：
a + b + c
这是你想要的吗？ 堆叠大量的logical_and或者logical_or是不实际的。
使用求和函数：
a = np.array([True, False, True]) b = array([ False, False, True]) c = np.vstack([a,b,b]) Out[172]: array([[ True, False, True], [False, False, True], [False, False, True]], dtype=bool) np.sum(c,axis=0)>0 Out[173]: array([ True, False, True], dtype=bool)
基于n维情况的abarnert的答案：
TL; DR： np.logical_or.reduce(np.array(list))
