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
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。
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!
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。
https://stackoverflow.com/questions/16420097
复制相似问题