NumPy有三个看起来可以用于相同事情的不同函数 --- 除了numpy.maximum
只能针对每个元素使用,而numpy.max
和numpy.amax
可以用于特定轴或所有元素。为什么不止有numpy.max
?这是否涉及到性能上的微妙差别?
(类似地,对于min
vs. amin
vs. minimum
)
np.max
是 np.amax
的别名。该函数仅适用于 单个 输入数组,并查找该整个数组中最大元素的值(返回一个标量)。或者,它可以使用 axis
参数,并在输入数组的轴上找到最大值(返回一个新数组)。
>>> a = np.array([[0, 1, 6],
[2, 4, 1]])
>>> np.max(a)
6
>>> np.max(a, axis=0) # max of each column
array([2, 4, 6])
np.maximum
的默认行为是取 两个 数组并计算它们的逐元素最大值。这里,“兼容”指的是一个数组可以被广播到另一个数组。例如:>>> b = np.array([3, 6, 1])
>>> c = np.array([4, 2, 9])
>>> np.maximum(b, c)
array([4, 6, 9])
但是np.maximum
也是一个通用函数,这意味着它还有其他功能和方法,在处理多维数组时非常有用。例如,您可以计算数组(或数组的特定轴)上的累积最大值:
>>> d = np.array([2, 0, 3, -4, -2, 7, 9])
>>> np.maximum.accumulate(d)
array([2, 2, 3, 3, 3, 7, 9])
np.max
能实现的。np.maximum.reduce
时,你可以让np.maximum
在一定程度上模仿np.max
:>>> np.maximum.reduce(d)
9
>>> np.max(d)
9
np.max()
实际上调用了 np.maximum.reduce
来进行计算。你已经说明了np.maximum
的不同之处 - 它返回两个数组之间逐元素的最大值数组。
至于np.amax
和np.max
:它们都调用同一个函数 - np.max
只是np.amax
的别名,并计算数组或沿着数组轴的所有元素的最大值。
In [1]: import numpy as np
In [2]: np.amax
Out[2]: <function numpy.core.fromnumeric.amax>
In [3]: np.max
Out[3]: <function numpy.core.fromnumeric.amax>
from numpy import max as np_max
来避免与通用的max
冲突,而我本可以只是用amax
躲起来。 - Bas Jansennp.amax/np.max
、np.nanmax
:用于单个数组的顺序统计量np.maximum
、np.fmax
:用于对两个数组进行逐元素比较NaNs传播器np.amax/np.max
及其忽略NaN的对应函数np.nanmax
。
np.max
只是np.amax
的别名,因此它们被视为一个函数。
>>> np.max.__name__
'amax'
>>> np.max is np.amax
True
np.max
会传播NaN值,而 np.nanmax
则会忽略NaN值。
>>> np.max([np.nan, 3.14, -1])
nan
>>> np.nanmax([np.nan, 3.14, -1])
3.14
np.maximum
与其忽略NaN值的对应函数np.fmax
可以处理NaN值。
这两个函数都需要将要与之比较的两个数组作为第一个和第二个位置参数。
# x1 and x2 must be the same shape or can be broadcast
np.maximum(x1, x2, /, ...);
np.fmax(x1, x2, /, ...)
np.maximum
会传播NaN值,而np.fmax
会忽略NaN值。
>>> np.maximum([np.nan, 3.14, 0], [np.NINF, np.nan, 2.72])
array([ nan, nan, 2.72])
>>> np.fmax([np.nan, 3.14, 0], [np.NINF, np.nan, 2.72])
array([-inf, 3.14, 2.72])
逐元素函数是np.ufunc
(通用函数),这意味着它们具有一些常规Numpy函数没有的特殊属性。
>>> type(np.maximum)
<class 'numpy.ufunc'>
>>> type(np.fmax)
<class 'numpy.ufunc'>
>>> #---------------#
>>> type(np.max)
<class 'function'>
>>> type(np.nanmax)
<class 'function'>
最后,相同的规则适用于四个minimum相关函数:
np.amin/np.min
、np.nanmin
;np.minimum
、np.fmin
。np.maximum
不仅可以逐个元素地比较,还可以将数组逐个元素地与单个值进行比较
>>>np.maximum([23, 14, 16, 20, 25], 18)
array([23, 18, 18, 20, 25])
maximum
一样使用amax
来实现相同的(根)目的,即使用numpy.amax([a1, a2], axis=0)
--- 但是这是否与numpy.maximum
一样优化了这种行为?同样,numpy.amax
的附加好处(例如axis
参数)是否排除了它成为ufunc
的可能性? - DilithiumMatrixamax
没有针对逐元素比较进行优化 - 任何输入都需要是一个 Numpy 数组,因此在操作运行之前,该列表将被转换(假设两个形状相同)。amax
的文档明确表示maximum
在这里更快。 - Alex Rileyamax
可以被制作成一个ufunc,尽管ufunc的主要目的是允许在数组之间广播操作。似乎没有必要将max
制作成一元ufunc。我认为amax
在ufunc真正成为一件事情之前就已经存在了(它来自numeric,NumPy的父类),因此也为了纪念而保留。 - Alex Rileymaximum.reduce
是性能更好的选择:Python 函数 max() 可以找到一维数组中的最大值,但是它会使用较慢的序列接口来实现。最大 ufunc 的 reduce 方法要快得多。此外,max() 方法对于具有大于一维的数组不会给出您可能期望的答案。
[...] - Tom Halemax()
函数,而不是numpy.max()
,但值得指出的是Python的max()
速度较慢。 - Alex Riley