问numpy max vs amax vs max

EN

np.max只是np.amax的别名。此函数仅在单个输入数组上工作，并在整个数组中找到最大元素的值(返回一个标量)。或者，它接受一个axis参数，并将沿着输入数组的轴找到最大值(返回一个新数组)。

>>> 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])

np.maximum的默认行为是接受两个数组并计算它们的元素级最大值。在这里，“兼容”意味着一个数组可以广播到另一个数组。例如：

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

但是np.maximum也是一个通用函数，这意味着它有其他特性和方法，它们在处理多维数组时非常有用。例如，可以计算数组(或数组的特定轴)上的累积最大值：

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

这在np.max中是不可能的。

当使用np.maximum时，您可以在一定程度上使np.max模仿np.maximum.reduce。

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

基本测试表明，这两种方法在性能上是可比较的；它们应该是，就像np.maximum.reduce那样进行计算。

您已经说明了为什么np.maximum是不同的-它返回一个数组，该数组是两个数组之间的元素级最大值。

至于np.amax和np.max：它们都调用相同的函数-- np.max只是np.amax的别名，它们计算数组中所有元素的最大值，或者沿数组的轴。

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>

为了完整性，在Numpy中有四个最大相关函数。它们分为两大类：

• np.amax/np.max，np.nanmax：用于单数组顺序统计信息
• 和np.maximum，np.fmax：两个数组的元素比较

I. 顺序统计

NaNs传播子np.amax/np.max及其NaN无知的对应np.nanmax.

• np.max只是np.amax的别名，因此它们被视为一个函数。 np.max.__name__ 'amax‘>>> np.max是np.amax True
• np.max传播NaNs，而np.nanmax忽略NaNs.。np.max(np.nan，3.14，-1) nan >>> np.nanmax(np.nan，3.14，-1) 3.14

二. 元素间的比较

NaNs传播子np.maximum及其NaNs无知的np.fmax.

• 这两个函数都需要两个数组作为前两个位置args来比较with.x1和x2必须是相同的形状或可以广播np.maximum(x1，x2，/，.)；np.fmax(x1，x2，/，.)
• np.maximum传播NaNs，而np.fmax忽略NaNs.。np.maximum(np.nan，3.14，0，np.NINF，np.nan，2.72)数组( nan，nan，2.72) >>> np.fmax(np.nan，3.14，0，np.NINF，np.nan，2.72)数组(-inf，3.14，2.72)
• 按元素划分的函数是)，这意味着它们具有一些正常的Numpy函数不具有的特殊属性.类型(np.maximum)<类numpy.ufunc‘>>>>类型(np.fmax)<类numpy.ufunc’>>>>#

最后，同样的规则适用于四个相关的最小函数：

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