Question

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sum（）。

两者的性能似乎完全不同：对于相对较小的阵列大小add.reduce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

对于较大的阵列大小，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

Answer 1

简短回答：当参数为numpy数组时，np.sum最终会调用add.reduce来完成工作。处理其参数并分派到add.reduce的开销是np.sum较慢的原因。

更长的回答： np.sum中定义了np.sum。在_methods._sum的定义中，你会看到作品被传递给def _sum(a, axis=None, dtype=None, out=None, keepdims=False): return um.add.reduce(a, axis=axis, dtype=dtype, out=out, keepdims=keepdims)。 numpy/core/fromnumeric.py中的这个功能很简单：

um

add是定义{{1}} ufunc的模块。

Answer 2

如果你盲目地从一个重构到另一个，实际上有一个区别可能会咬你：

>>> 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！

Answer 3

要回答标题中的问题，只需：使用矩阵时，您会发现这两个功能之间的重要区别：

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）将返回沿轴=0 的总和。即 add.reduce(a) 等价于 sum(a,axis=0)

但是，如果您指定轴，两者将返回相同的值。我发布答案是因为我没有足够的代表发表评论。

np.sum和np.add.reduce有什么区别？

3 个答案: