numpy max vs amax vs max

NumPy có ba chức năng khác nhau mà có vẻ như họ có thể được sử dụng cho những điều tương tự --- ngoại trừ việc numpy.maximumcó thể chỉ được sử dụng yếu tố khôn ngoan, trong khi numpy.maxvà numpy.amaxcó thể được sử dụng trên các trục cụ thể, hoặc tất cả các yếu tố này. Tại sao có nhiều hơn chỉ numpy.max? Có một số tinh tế cho điều này trong hiệu suất?

(Tương tự cho minso aminvới minimum)

np.maxchỉ là một bí danh cho np.amax. Hàm này chỉ hoạt động trên một mảng đầu vào duy nhất và tìm giá trị của phần tử tối đa trong toàn bộ mảng đó (trả về một vô hướng). Ngoài ra, nó cần một axisđối số và sẽ tìm giá trị tối đa dọc theo trục của mảng đầu vào (trả về một mảng mới).

>>> 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])

Hành vi mặc định của np.maximumlà lấy hai mảng và tính toán tối đa phần tử của chúng. Ở đây, 'tương thích' có nghĩa là một mảng có thể được phát sang mảng khác. Ví dụ:

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

Nhưng np.maximumcũng là một chức năng phổ quát , có nghĩa là nó có các tính năng và phương thức khác hữu ích khi làm việc với các mảng đa chiều. Ví dụ: bạn có thể tính toán mức tối đa tích lũy trên một mảng (hoặc một trục cụ thể của mảng):

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

Điều này là không thể với np.max.

Bạn có thể np.maximumbắt chước np.maxở một mức độ nhất định khi sử dụng np.maximum.reduce:

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

Thử nghiệm cơ bản cho thấy hai cách tiếp cận có thể so sánh về hiệu suất; và họ nên, như np.max()thực sự kêu gọinp.maximum.reduce để thực hiện tính toán.

Bạn đã nêu lý do tại sao np.maximumkhác nhau - nó trả về một mảng tối đa theo yếu tố giữa hai mảng.

Cả for np.amaxvà np.max: cả hai đều gọi cùng một hàm - np.maxchỉ là một bí danh np.amaxvà chúng tính toán tối đa của tất cả các phần tử trong một mảng hoặc dọc theo trục của một mảng.

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>

Để đầy đủ, trong Numpy có bốn chức năng liên quan tối đa . Họ thuộc hai loại khác nhau:

• np.amax/np.max, np.nanmax: cho thống kê đơn hàng mảng
• và np.maximum, np.fmaxđể so sánh phần tử khôn ngoan của hai mảng

I. Đối với thống kê đơn hàng mảng

Người tuyên truyền np.amax/np.maxNaN và đối tác không biết NaN của nó np.nanmax.

• np.maxchỉ là bí danh của chúng np.amax, vì vậy chúng được coi là một hàm.

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

• np.maxtuyên truyền NaN trong khi np.nanmaxbỏ qua NaN.

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

II. Để so sánh phần tử khôn ngoan của hai mảng

Người tuyên truyền NaN np.maximumvà đối tác không biết NaN của nó np.fmax.

• Cả hai hàm đều yêu cầu hai mảng là hai đối số vị trí đầu tiên để so sánh với.

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

• np.maximumtuyên truyền NaN trong khi np.fmaxbỏ qua 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])

• Các hàm phần tử là np.ufunc( Hàm đa năng ) , có nghĩa là chúng có một số thuộc tính đặc biệt mà hàm Numpy bình thường không có.

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

Và cuối cùng, các quy tắc tương tự áp dụng cho bốn chức năng tối thiểu liên quan:

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

np.maximum không chỉ so sánh từng phần tử mà còn so sánh từng phần tử với giá trị đơn

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