numpy max vs amax vs maximum

numpy ma trzy różne funkcje, które wydają się być używane do tych samych rzeczy - z wyjątkiem tego, że numpy.maximummogą być używane tylko w odniesieniu do elementów, podczas gdy numpy.maxi numpy.amaxmogą być używane na określonych osiach lub wszystkich elementach. Dlaczego jest coś więcej niż tylko numpy.max? Czy jest w tym coś subtelnego w wykonaniu?

(Podobnie dla minvs. aminvs. minimum)

np.maxjest tylko aliasem dla np.amax. Ta funkcja działa tylko na pojedynczej tablicy wejściowej i znajduje wartość maksymalnego elementu w całej tablicy (zwraca wartość skalarną). Alternatywnie, pobiera axisargument i znajdzie maksymalną wartość wzdłuż osi tablicy wejściowej (zwracając nową tablicę).

>>> 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])

Domyślnym zachowaniem programu np.maximumjest pobranie dwóch tablic i obliczenie ich maksimum pod względem elementów. Tutaj „kompatybilny” oznacza, że ​​jedna macierz może być transmitowana do drugiej. Na przykład:

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

Ale np.maximumjest również funkcją uniwersalną, co oznacza, że ​​ma inne cechy i metody, które przydają się podczas pracy z wielowymiarowymi tablicami. Na przykład możesz obliczyć skumulowane maksimum na tablicy (lub określonej osi tablicy):

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

Nie jest to możliwe w przypadku np.max.

Możesz do pewnego stopnia np.maximumnaśladować, np.maxużywając np.maximum.reduce:

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

Podstawowe testy sugerują, że te dwa podejścia są porównywalne pod względem wydajności; i powinny być, tak jak w np.max()rzeczywistości wzywanp.maximum.reduce do wykonania obliczeń.

Powiedziałeś już, dlaczego np.maximumjest inny - zwraca tablicę, która jest maksymalnym elementem między dwiema tablicami.

Jeśli chodzi o np.amaxi np.max: obaj wywołują tę samą funkcję - np.maxjest po prostu aliasem np.amaxi obliczają maksimum wszystkich elementów w tablicy lub wzdłuż osi tablicy.

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>

Aby uzyskać kompletność, w Numpy istnieją cztery maksymalne powiązane funkcje. Można je podzielić na dwie różne kategorie:

• np.amax/np.max, np.nanmax: dla statystyki kolejności pojedynczych tablic
• a np.maximum, np.fmaxbo mądry element porównywania dwóch tablic

I. Na jednej tablicy statystyk porządkowych

Propagator NaNs np.amax/np.maxi jego ignorancki odpowiednik NaN np.nanmax.

• np.maxjest po prostu aliasem np.amax, więc są traktowane jako jedna funkcja.

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

• np.maxpropaguje NaN, np.nanmaxignorując NaN.

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

II. Do porównania elementów dwóch tablic

Propagator NaNs np.maximumi jego ignorancki odpowiednik np.fmax.

• Obie funkcje wymagają dwóch tablic jako pierwszych dwóch argumentów pozycyjnych do porównania.

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

• np.maximumpropaguje NaN, np.fmaxignorując 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])

• Funkcje elementarne to np.ufunc( Universal Function ) , co oznacza, że ​​mają pewne specjalne właściwości, których normalna funkcja Numpy nie ma.

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

I wreszcie, te same zasady dotyczą czterech minimalnych powiązanych funkcji:

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

np.maximum nie tylko porównuje elementarnie, ale także porównuje elementarnie tablicę z pojedynczą wartością

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