(A==B).all()

测试数组（A == B）的所有值是否为True。
注意：也许您还想测试A和B形状，例如A.shape == B.shape

• • 特殊情况和备选方案**（来自dbaupp的答复和yoavram的评论）

应当指出的是：

• 该解决方案在特定情况下可能具有奇怪的行为：如果A或B为空，而另一个包含单个元素，则返回True。由于某种原因，比较A==B返回空数组，对于该空数组，all运算符返回True。
• 另一个风险是，如果A和B的形状不同，并且不可广播，则此方法将引发错误。

总之，如果您对A和B形状有疑问或只是想确保安全：使用以下专用函数之一：

np.array_equal(A,B)  # test if same shape, same elements values
np.array_equiv(A,B)  # test if broadcastable shape, same elements values
np.allclose(A,B,...) # test if same shape, elements have close enough values

(A==B).all()的解决方案非常简洁，但是有一些内置函数可以完成这项任务，即array_equal、allclose和array_equiv。
（不过，对timeit的一些快速测试似乎表明(A==B).all()方法是最快的，这有点奇怪，因为它必须分配一个全新的数组。）

如果要检查两个数组是否具有相同的shape AND elements，则应使用np.array_equal，因为这是文档中推荐的方法。
性能方面，不要期望任何一个相等性检查都能胜过另一个，因为没有太多的空间来优化comparing two elements。

import numpy as np
import timeit

A = np.zeros((300, 300, 3))
B = np.zeros((300, 300, 3))
C = np.ones((300, 300, 3))

timeit.timeit(stmt='(A==B).all()', setup='from __main__ import A, B', number=10**5)
timeit.timeit(stmt='np.array_equal(A, B)', setup='from __main__ import A, B, np', number=10**5)
timeit.timeit(stmt='np.array_equiv(A, B)', setup='from __main__ import A, B, np', number=10**5)
> 51.5094
> 52.555
> 52.761

所以基本上是一样的，不用说速度了。
(A==B).all()的行为与以下代码片段非常相似：

x = [1,2,3]
y = [1,2,3]
print all([x[i]==y[i] for i in range(len(x))])
> True

让我们使用以下代码段来度量性能。

import numpy as np
import time

exec_time0 = []
exec_time1 = []
exec_time2 = []

sizeOfArray = 5000
numOfIterations = 200

for i in xrange(numOfIterations):

    A = np.random.randint(0,255,(sizeOfArray,sizeOfArray))
    B = np.random.randint(0,255,(sizeOfArray,sizeOfArray))

    a = time.clock() 
    res = (A==B).all()
    b = time.clock()
    exec_time0.append( b - a )

    a = time.clock() 
    res = np.array_equal(A,B)
    b = time.clock()
    exec_time1.append( b - a )

    a = time.clock() 
    res = np.array_equiv(A,B)
    b = time.clock()
    exec_time2.append( b - a )

print 'Method: (A==B).all(),       ', np.mean(exec_time0)
print 'Method: np.array_equal(A,B),', np.mean(exec_time1)
print 'Method: np.array_equiv(A,B),', np.mean(exec_time2)

• • 产出**

Method: (A==B).all(),        0.03031857
Method: np.array_equal(A,B), 0.030025185
Method: np.array_equiv(A,B), 0.030141515

根据上面的结果，numpy方法似乎比**==操作符和all（）方法的组合更快，通过比较numpy方法，最快的方法似乎是numpy.array_equal**方法。

通常两个数组会有一些小的数值误差，
可以使用numpy.allclose(A,B)，而不是(A==B).all()。这将返回布尔值True/False

现在使用np.array_equal。来自文档：

np.array_equal([1, 2], [1, 2])
True
np.array_equal(np.array([1, 2]), np.array([1, 2]))
True
np.array_equal([1, 2], [1, 2, 3])
False
np.array_equal([1, 2], [1, 4])
False

在其他答案的基础上，现在可以使用Assert：

numpy.testing.assert_array_equal(x, y)

您也有类似的函数，例如numpy.testing.assert_almost_equal()
https://numpy.org/doc/stable/reference/generated/numpy.testing.assert_array_equal.html

为了完整起见，我将添加Pandas方法来比较两个数组：

import numpy as np
a = np.arange(0.0, 10.2, 0.12)
b = np.arange(0.0, 10.2, 0.12)
ap = pd.DataFrame(a)
bp = pd.DataFrame(b)

ap.equals(bp)
True

FYI：如果您正在寻找如何在R中比较向量、数组或 Dataframe ，您可以用途：

identical(iris1, iris2)
#[1] TRUE
all.equal(array1, array2)
#> [1] TRUE