Anzahl Max vs Amax vs Maximum

numpy hat drei verschiedene Funktionen, die anscheinend für die gleichen Dinge verwendet werden können - außer dass numpy.maximumsie nur elementweise verwendet werden können, während numpy.maxund numpy.amaxauf bestimmten Achsen oder allen Elementen verwendet werden können. Warum gibt es mehr als nur numpy.max? Gibt es eine gewisse Subtilität in der Leistung?

(Ähnlich für minvs. aminvs. minimum)

np.maxist nur ein Alias ​​für np.amax. Diese Funktion funktioniert nur für ein einzelnes Eingabearray und ermittelt den Wert des maximalen Elements in diesem gesamten Array (Rückgabe eines Skalars). Alternativ wird ein axisArgument verwendet und der Maximalwert entlang einer Achse des Eingabearrays ermittelt (wobei ein neues Array zurückgegeben wird).

>>> 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])

Das Standardverhalten von np.maximumbesteht darin, zwei Arrays zu verwenden und ihr elementweises Maximum zu berechnen. Hier bedeutet "kompatibel", dass ein Array an das andere gesendet werden kann. Beispielsweise:

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

Es np.maximumist aber auch eine universelle Funktion, was bedeutet, dass es andere Funktionen und Methoden hat, die bei der Arbeit mit mehrdimensionalen Arrays nützlich sind. Beispielsweise können Sie das kumulative Maximum über ein Array (oder eine bestimmte Achse des Arrays) berechnen:

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

Dies ist mit nicht möglich np.max.

Sie können bis zu einem gewissen Grad np.maximumnachahmen np.max, wenn Sie Folgendes verwenden np.maximum.reduce:

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

Grundlegende Tests legen nahe, dass die beiden Ansätze in ihrer Leistung vergleichbar sind. und sie sollten es sein, wie np.max()tatsächlich Aufrufenp.maximum.reduce zur Berechnung.

Sie haben bereits angegeben, warum dies np.maximumanders ist - es wird ein Array zurückgegeben, das das elementweise Maximum zwischen zwei Arrays darstellt.

Wie für np.amaxund np.max: beide rufen dieselbe Funktion auf - np.maxist nur ein Alias ​​für np.amaxund sie berechnen das Maximum aller Elemente in einem Array oder entlang einer Achse eines Arrays.

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>

Der Vollständigkeit halber gibt es in Numpy vier maximal verwandte Funktionen. Sie fallen in zwei verschiedene Kategorien:

• np.amax/np.max, np.nanmax: für Statistiken zur Reihenfolge einzelner Arrays
• und np.maximum, np.fmaxdenn elementweisen Vergleich von zwei Arrays

I. Für Statistiken zur Reihenfolge einzelner Arrays

NaNs Propagator np.amax/np.maxund sein ignorantes Gegenstück zu NaN np.nanmax.

• np.maxist nur ein Alias ​​von np.amax, daher werden sie als eine Funktion betrachtet.

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

• np.maxvermehrt NaNs, während np.nanmaxNaNs ignoriert werden.

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

II. Zum elementweisen Vergleich zweier Arrays

NaNs Propagator np.maximumund sein ignorantes Gegenstück zu NaNs np.fmax.

• Beide Funktionen erfordern zwei Arrays als die ersten beiden Positionsargumente, mit denen verglichen werden soll.

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

• np.maximumvermehrt NaNs, während np.fmaxNaNs ignoriert werden.

  >>> 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])

• Die elementweisen Funktionen sind np.ufunc( Universal Function ) , was bedeutet, dass sie einige spezielle Eigenschaften haben, die die normale Numpy-Funktion nicht hat.

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

Und schließlich gelten für die vier Mindestfunktionen dieselben Regeln :

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

np.maximum vergleicht nicht nur elementweise, sondern auch Array elementweise mit einem einzelnen Wert

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