numpy max vs Amax vs maksymalnej

Question

numpy ma trzy różne funkcje, które wydawać się mogą one być wykorzystywane do tych samych rzeczy --- chyba że numpy.maximum może tylko być stosowany element mądry, a numpy.max i numpy.amax mogą być wykorzystywane na szczególnie osie lub wszystkie elementy. Dlaczego jest więcej niż tylko numpy.max? Czy jest w tym pewna subtelność?

(Podobnie dla min vs. amin vs. minimum)

Answer 1

np.max tylko aliasem np.amax. Ta funkcja działa tylko na jednej macierzy wejściowej pojedynczej i znajduje wartość maksymalnego elementu w całej tablicy (zwracając skalar). Alternatywnie, pobiera argument o wartości axis i znajduje 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]) 

Domyślne zachowanie np.maximum jest podjęcie dwa tablice i obliczyć ich element mądry maksimum. W tym przypadku "zgodny" oznacza, że ​​jedna tablica 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.maximum również universal function co oznacza, że ​​ma inne właściwości i metod, które się przydać podczas pracy z wielowymiarowych tablic. Dla przykładu można obliczyć skumulowaną maksymalną nad tablicy (albo z 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 możliwe np.max.

Można dokonać np.maximum naśladować np.max do pewnego stopnia podczas korzystania np.maximum.reduce:

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

badania podstawowe sugeruje dwa podejścia są porównywalne pod względem wydajności.

Answer 2

Już stwierdzić dlaczego np.maximum jest inny - zwraca tablicę, która jest maksymalny element mądry między dwiema tablicami.

chodzi np.amax i np.max: obie wywołać taką samą funkcję - np.max tylko alias np.amax, i obliczenie maksimum wszystkich elementów w szeregu, 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>