numpy max vs amax vs max

NumPy має три різні функції , які , здається , що вони можуть бути використані для тих же речей , --- за виключення того, що numpy.maximumможе тільки бути використано поелементно, в той час як numpy.maxі numpy.amaxможе бути використано на окремих осях або всі елементи. Чому там більше, ніж просто numpy.max? Чи є якась тонкість у цьому у виконанні?

(Аналогічно для minvs. aminvs. minimum)

np.maxце лише псевдонім для np.amax. Ця функція працює лише на одному вхідному масиві і знаходить значення максимального елемента в цілому масиві (повертаючи скаляр). Крім того, він бере axisаргумент і знайде максимальне значення уздовж осі вхідного масиву (повертаючи новий масив).

>>> 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])

Поведінка за замовчуванням np.maximum- це взяти два масиви і обчислити їх максимум для елементів. Тут "сумісний" означає, що один масив може передаватися іншому. Наприклад:

>>> b = np.array([3, 6, 1])
>>> c = np.array([4, 2, 9])
>>> np.maximum(b, c)
array([4, 6, 9])

Але np.maximumце також універсальна функція, яка означає, що вона має інші особливості та методи, які корисні при роботі з багатовимірними масивами. Наприклад, ви можете обчислити сукупний максимум через масив (або певну вісь масиву):

>>> d = np.array([2, 0, 3, -4, -2, 7, 9])
>>> np.maximum.accumulate(d)
array([2, 2, 3, 3, 3, 7, 9])

З цим неможливо np.max.

Ви можете np.maximumімітувати np.maxпевною мірою, використовуючи np.maximum.reduce:

>>> np.maximum.reduce(d)
9
>>> np.max(d)
9

Основне тестування передбачає, що два підходи порівнянні за ефективністю; і вони повинні бути, як np.max()насправді вимагаєnp.maximum.reduce зробити обчислення.

Ви вже заявили, чому np.maximum інше - він повертає масив, який є елементарним максимумом між двома масивами.

Щодо np.amaxі np.max: обидва вони називають одну і ту ж функцію - np.maxце лише псевдонім для np.amax, і вони обчислюють максимум усіх елементів у масиві або вздовж осі масиву.

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>

Для повноти в Numpy є чотири максимально пов'язані функції. Вони поділяються на дві різні категорії:

• np.amax/np.max, np.nanmax: для одного масиву статистики порядку
• і np.maximum, np.fmax: для поелементного порівняння двох масивів

I. Для статистики порядку одиночного масиву

Пропагатор NaNs np.amax/np.maxта його невігласний аналог NaNs np.nanmax.

• np.maxє лише псевдонімом np.amax, тому вони розглядаються як одна функція.

  >>> np.max.__name__
  'amax'
  >>> np.max is np.amax
  True

• np.maxпоширює NaN, np.nanmaxігноруючи NaN.

  >>> np.max([np.nan, 3.14, -1])
  nan
  >>> np.nanmax([np.nan, 3.14, -1])
  3.14

II. Для елементарного порівняння двох масивів

Пропагатор NaNs np.maximumта його необізнаний аналог NaNs np.fmax.

• Обидві функції потребують двох масивів як перших двох позиційних аргументів для порівняння.

  # x1 and x2 must be the same shape or can be broadcast
  np.maximum(x1, x2, /, ...);
  np.fmax(x1, x2, /, ...)

• np.maximumпоширює NaN, np.fmaxігноруючи NaN.

  >>> 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])

• Елементними функціями є np.ufunc( Universal Function ) , що означає, що вони мають деякі особливі властивості, яких нормальна функція Numpy не має.

  >>> type(np.maximum)
  <class 'numpy.ufunc'>
  >>> type(np.fmax)
  <class 'numpy.ufunc'>
  >>> #---------------#
  >>> type(np.max)
  <class 'function'>
  >>> type(np.nanmax)
  <class 'function'>

І нарешті, ті ж самі правила застосовуються до чотирьох мінімально пов'язаних функцій:

• np.amin/np.min, np.nanmin;
• і np.minimum, np.fmin.

np.maximum не тільки порівнює по елементу, але і порівнює масив елементарно з одним значенням

>>>np.maximum([23, 14, 16, 20, 25], 18)
array([23, 18, 18, 20, 25])