numpy max против amax против максимума

numpy имеет три разные функции, которые, похоже, могут использоваться для одних и тех же вещей, за исключением того, что numpy.maximumмогут использоваться только поэлементно, в то время как numpy.maxи numpy.amaxмогут использоваться для определенных осей или всех элементов. Почему больше, чем просто numpy.max? Есть ли в этом какая-то тонкость в исполнении?

(Аналогично для minvs. aminvs. minimum)

np.maxэто просто псевдоним для np.amax. Эта функция работает только с одним входным массивом и находит значение максимального элемента во всем массиве (возвращая скаляр). В качестве альтернативы он принимает axisаргумент и находит максимальное значение по оси входного массива (возвращая новый массив).

>>> 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])

Поведение по умолчанию np.maximum- взять два массива и вычислить их поэлементный максимум. Здесь «совместимый» означает, что один массив может транслироваться другому. Например:

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

Но np.maximumэто также универсальная функция, что означает, что у нее есть другие функции и методы, которые могут пригодиться при работе с многомерными массивами. Например, вы можете вычислить совокупный максимум по массиву (или определенной оси массива):

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

Это невозможно с np.max.

Вы можете в определенной степени np.maximumимитировать np.maxпри использовании np.maximum.reduce:

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

Базовое тестирование предполагает, что эти два подхода сопоставимы по производительности; и они должны быть, поскольку на np.max()самом деле вызываетnp.maximum.reduce выполнение вычислений.

Вы уже указали, почему np.maximumотличается - он возвращает массив, который является поэлементным максимумом между двумя массивами.

Что касается np.amaxи np.max: они оба вызывают одну и ту же функцию - np.maxэто просто псевдоним для np.amax, и они вычисляют максимум всех элементов в массиве или вдоль оси массива.

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 полноты, в Numpy есть максимум четыре связанных функции. Они делятся на две разные категории:

• np.amax/np.max, np.nanmax: для статистики порядка одного массива
• и np.maximum, np.fmax: для поэлементного сравнения двух массивов

I. Для статистики заказов одного массива

Распространитель np.amax/np.maxNaN и его невежественный аналог np.nanmax.

• np.maxэто просто псевдоним np.amax, поэтому они рассматриваются как одна функция.

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

• np.maxраспространяет NaN, np.nanmaxигнорируя NaN.

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

II. Для поэлементного сравнения двух массивов

Распространитель NaN np.maximumи его невежественный аналог np.fmax.

• Обе функции требуют двух массивов в качестве первых двух позиционных аргументов для сравнения.

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

• np.maximumраспространяет NaN, np.fmaxигнорируя 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])

• Поэлементными функциями являются np.ufunc( Универсальная функция ) , что означает, что у них есть некоторые особые свойства, которых нет у обычной функции Numpy.

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

И, наконец, те же правила применяются к четырем минимальным связанным функциям:

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

np.maximum не только сравнивает поэлементно, но и сравнивает поэлементно массив с одним значением

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