np.sum和np.add.reduce有什么区别？
np.sum和np.add.reduce有什么区别？
提问于 2013-05-07 21:17:05
np.sum和np.add.reduce之间的区别是什么
虽然the docs非常明确：
例如，add.reduce()等同于
()。
两者的性能似乎有很大的不同:对于相对较小的数组大小，add.reduce的速度大约快两倍。
$ python -mtimeit -s"import numpy as np; a = np.random.rand(100); summ=np.sum" "summ(a)"
100000 loops, best of 3: 2.11 usec per loop
$ python -mtimeit -s"import numpy as np; a = np.random.rand(100); summ=np.add.reduce" "summ(a)"
1000000 loops, best of 3: 0.81 usec per loop
$ python -mtimeit -s"import numpy as np; a = np.random.rand(1000); summ=np.sum" "summ(a)"
100000 loops, best of 3: 2.78 usec per loop
$ python -mtimeit -s"import numpy as np; a = np.random.rand(1000); summ=np.add.reduce" "summ(a)"
1000000 loops, best of 3: 1.5 usec per loop对于更大的数组大小，差异似乎消失了：
$ python -mtimeit -s"import numpy as np; a = np.random.rand(10000); summ=np.sum" "summ(a)"
100000 loops, best of 3: 10.7 usec per loop
$ python -mtimeit -s"import numpy as np; a = np.random.rand(10000); summ=np.add.reduce" "summ(a)"
100000 loops, best of 3: 9.2 usec per loop回答 3
Stack Overflow用户
回答已采纳
发布于 2013-05-07 22:13:02
简而言之:当参数是numpy数组时，np.sum最终调用add.reduce来完成这项工作。处理它的参数和分派到add.reduce的开销是np.sum速度较慢的原因。
更长的答案：np.sum是在numpy/core/fromnumeric.py中定义的。在np.sum的定义中，您将看到工作被传递给_methods._sum。在_methods.py中，该函数很简单：
def _sum(a, axis=None, dtype=None, out=None, keepdims=False):
return um.add.reduce(a, axis=axis, dtype=dtype,
out=out, keepdims=keepdims)um是定义add ufunc的模块。
Stack Overflow用户
发布于 2018-01-30 15:37:24
如果你盲目地从一个重构到另一个，实际上有一个差异可能会咬你一口：
>>> import numpy as np
>>> a = np.arange(4).reshape(2, 2)
>>>
>>> np.sum(a)
6
>>> np.add.reduce(a)
array([2, 4])
>>> axis默认值不同！
Stack Overflow用户
发布于 2021-07-09 16:11:54
要回答标题中的问题，简单地说:在处理矩阵时，您将发现这两个函数之间的重要区别：
np.sum (不指定轴)将返回矩阵中所有元素的总和。
np.add.reduce (不指定轴)将沿着axis=0返回总和。也就是说，add.reduce(a)等价于sum(a，axis=0)
但是，如果指定轴，则两者返回的值相同。我张贴作为答案，因为我没有足够的代表来评论。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/16420097
复制相关文章
相似问题