Question

使用numpy时，通常可以选择从numpy API调用函数与从ndarray调用函数之间进行选择，例如：

>>> import numpy as np
>>> array_ = np.array([True, False, True])
>>> np.any(array_)
True
>>> array_.any()
True

从功能上看，这些与我完全相同；是吗它们在程序上是否不同？（例如性能/内存方面的信息）

我尝试在numpy参考手册中找到有关ndarrays和routines的答案，但据我所知，没有给出任何解释。

Answer 1

首先要注意术语，因此本示例的其余部分将很清楚-np.any(arr)是一个函数； arr.any()从技术上讲是一种实例方法。

通常，顶级np.<function>(arr)函数是arr方法的包装。

以下是np.any()中NumPy版本1.14.5的numpy.core.fromnumeric的来源：

def any(a, axis=None, out=None, keepdims=np._NoValue):
    arr = asanyarray(a)
    kwargs = {}
    if keepdims is not np._NoValue:
        kwargs['keepdims'] = keepdims
    return arr.any(axis=axis, out=out, **kwargs)

其他版本的NumPy（例如one currently on GitHub）可能会使用“ wrapper factory function”来实现几乎相同的功能。有关np.transpose()的类似示例，另请参见this Q / A。通常，归结为np.<function>(arr)变成getattr(arr, <function>)的某种形式，至少对于fromnumeric.py中的内容而言。

从比较的角度来看，您正在谈论使用顶级函数时增加的额外开销，但这带来了更多的灵活性：例如，有一个对np.asanyarray(a)的调用，这意味着您可以将Python列表作为a传递给该函数。在我的计算机上，对np.asanyarray(arr)的调用花费了arr.any()的时间的1/8，因此要在回答中注入一点观点，在这两者之间进行选择可能不是看待术语的第一位。性能优化。

numpy例程和ndarray方法之间的区别？

1 个答案: