numpy max เทียบกับ amax เทียบกับ maximum

numpy มีฟังก์ชันที่แตกต่างกันสามฟังก์ชันซึ่งดูเหมือนว่าสามารถใช้กับสิ่งเดียวกันได้ยกเว้นว่าnumpy.maximumสามารถใช้ได้เฉพาะองค์ประกอบที่ชาญฉลาดในขณะที่numpy.maxและnumpy.amaxสามารถใช้ได้กับแกนเฉพาะหรือองค์ประกอบทั้งหมด ทำไมถึงมีมากกว่าแค่numpy.max? มีความละเอียดอ่อนในการแสดงหรือไม่?

(ในทำนองเดียวกันminกับaminเทียบกับminimum)

np.maxnp.amaxเป็นเพียงนามแฝงสำหรับ ฟังก์ชันนี้ใช้งานได้เฉพาะกับอาร์เรย์อินพุตเดียวและค้นหาค่าขององค์ประกอบสูงสุดในอาร์เรย์ทั้งหมดนั้น (ส่งคืนสเกลาร์) หรือใช้axisอาร์กิวเมนต์และจะหาค่าสูงสุดตามแกนของอาร์เรย์อินพุต (ส่งคืนอาร์เรย์ใหม่)

>>> 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])

พฤติกรรมเริ่มต้นnp.maximumคือการใช้อาร์เรย์สองอาร์เรย์และคำนวณค่าสูงสุดขององค์ประกอบที่ชาญฉลาด ที่นี่ 'เข้ากันได้' หมายความว่าอาร์เรย์หนึ่งสามารถถ่ายทอดไปยังอีกอันหนึ่งได้ ตัวอย่างเช่น:

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

แต่np.maximumยังเป็นฟังก์ชันสากลซึ่งหมายความว่ามีคุณสมบัติและวิธีการอื่น ๆ ที่มีประโยชน์เมื่อทำงานกับอาร์เรย์หลายมิติ ตัวอย่างเช่นคุณสามารถคำนวณค่าสูงสุดสะสมบนอาร์เรย์ (หรือแกนเฉพาะของอาร์เรย์):

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

นี้เป็นไปไม่ได้กับnp.max.

คุณสามารถnp.maximumเลียนแบบได้np.maxในระดับหนึ่งเมื่อใช้np.maximum.reduce:

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

การทดสอบขั้นพื้นฐานชี้ให้เห็นว่าทั้งสองแนวทางมีประสิทธิภาพเทียบเท่ากัน และควรจะเป็นตามที่np.max()เรียกร้องnp.maximum.reduceให้ทำการคำนวณจริงๆ

คุณได้ระบุแล้วว่าเหตุใดจึงnp.maximumแตกต่างกัน - ส่งคืนอาร์เรย์ที่เป็นค่าสูงสุดขององค์ประกอบระหว่างสองอาร์เรย์

สำหรับnp.amaxและnp.max: ทั้งคู่เรียกใช้ฟังก์ชันเดียวกัน - np.maxเป็นเพียงนามแฝงnp.amaxและคำนวณค่าสูงสุดขององค์ประกอบทั้งหมดในอาร์เรย์หรือตามแกนของอาร์เรย์

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>

เพื่อความสมบูรณ์ใน Numpy มีฟังก์ชันที่เกี่ยวข้องสูงสุดสี่ฟังก์ชัน พวกเขาแบ่งออกเป็นสองประเภท:

• np.amax/np.max, np.nanmax: สำหรับสถิติการสั่งซื้ออาร์เรย์เดียว
• และnp.maximum, np.fmax: สำหรับการเปรียบเทียบองค์ประกอบที่ชาญฉลาดของสองอาร์เรย์

I. สำหรับสถิติการสั่งซื้ออาร์เรย์เดี่ยว

แก่นแก้วแผ่กระจายและน่านคู่ไม่รู้ของมันnp.amax/np.maxnp.nanmax

• np.maxเป็นเพียงนามแฝงของnp.amaxดังนั้นจึงถือว่าเป็นฟังก์ชันเดียว

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

• np.maxแพร่กระจาย NaN ในขณะที่np.nanmaxละเว้น NaN

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

ครั้งที่สอง สำหรับการเปรียบเทียบองค์ประกอบที่ชาญฉลาดของสองอาร์เรย์

ตัวแพร่กระจาย NaNs np.maximumและ NaN ที่ไม่รู้np.fmaxตัว

• ฟังก์ชันทั้งสองต้องการอาร์เรย์สองอาร์เรย์เป็นอาร์เรย์ตำแหน่งสองตำแหน่งแรกเพื่อเปรียบเทียบ

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

• np.maximumแพร่กระจาย NaN ในขณะที่np.fmaxละเว้น 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])

• ฟังก์ชันที่ชาญฉลาดขององค์ประกอบคือnp.ufunc( ฟังก์ชันสากล )ซึ่งหมายความว่ามีคุณสมบัติพิเศษบางอย่างที่ฟังก์ชัน Numpy ปกติไม่มี

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

และในที่สุดกฎเดียวกันก็นำไปใช้กับฟังก์ชันที่เกี่ยวข้องขั้นต่ำสี่อย่าง :

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

np.maximum ไม่เพียง แต่เปรียบเทียบ elementwise แต่ยังเปรียบเทียบอาร์เรย์ elementwise ด้วยค่าเดียว

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