numpy max vs amax vs maximum

numpy tiene tres funciones diferentes, que parecen que pueden ser utilizados por las mismas cosas --- excepto que numpy.maximumpuede solamente ser usado elemento a elemento, mientras que numpy.maxy numpy.amaxpuede ser utilizado en ejes particulares, o todos los elementos. ¿Por qué hay más que solo numpy.max? ¿Hay alguna sutileza en el rendimiento?

(Del mismo modo para minvs. aminvs. minimum)

np.maxes solo un alias para np.amax. Esta función solo funciona en una matriz de entrada única y encuentra el valor del elemento máximo en toda la matriz (devolviendo un escalar). Alternativamente, toma un axisargumento y encontrará el valor máximo a lo largo de un eje de la matriz de entrada (devolviendo una nueva matriz).

>>> 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])

El comportamiento predeterminado de np.maximumes tomar dos matrices y calcular su máximo en cuanto a elementos. Aquí, 'compatible' significa que una matriz se puede transmitir a la otra. Por ejemplo:

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

Pero np.maximumtambién es una función universal, lo que significa que tiene otras características y métodos que resultan útiles al trabajar con matrices multidimensionales. Por ejemplo, puede calcular el máximo acumulativo sobre una matriz (o un eje particular de la matriz):

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

Esto no es posible con np.max.

Puedes np.maximumimitar np.maxhasta cierto punto cuando usas np.maximum.reduce:

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

Las pruebas básicas sugieren que los dos enfoques son comparables en rendimiento; y deberían serlo, ya que np.max()realmente llamanp.maximum.reduce a hacer el cálculo.

Ya ha indicado por qué np.maximumes diferente: devuelve una matriz que es el máximo de elementos entre dos matrices.

En cuanto a np.amaxy np.max: ambos llaman a la misma función, np.maxes solo un alias para np.amax, y calculan el máximo de todos los elementos en una matriz, o a lo largo de un eje de una matriz.

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>

Para completar, en Numpy hay cuatro funciones relacionadas máximas . Se dividen en dos categorías diferentes:

• np.amax/np.max, np.nanmax: para estadísticas de orden de matriz única
• y np.maximum, np.fmax: para la comparación elemento a elemento de dos matrices

I. Para estadísticas de orden de matriz única

El propagador de np.amax/np.maxNaN y su contraparte ignorante de NaN np.nanmax.

• np.maxes solo un alias de np.amax, por lo que se consideran como una función.

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

• np.maxpropaga NaNs mientras np.nanmaxignora NaNs.

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

II Para la comparación por elementos de dos matrices

El propagador de NaN np.maximumy su contraparte ignorante de NaN np.fmax.

• Ambas funciones requieren dos matrices como los dos primeros argumentos posicionales para comparar.

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

• np.maximumpropaga NaNs mientras np.fmaxignora NaNs.

  >>> 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])

• Las funciones de elementos sabios son np.ufunc( Función universal ) , lo que significa que tienen algunas propiedades especiales que la función Numpy normal no tiene.

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

Y finalmente, las mismas reglas se aplican a las cuatro funciones mínimas relacionadas:

• np.amin/np.min` np.nanmin`
• y np.minimum, np.fmin.

np.maximum no solo compara elementwise sino que también compara array elementwise con un solo valor

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