numpy max vs amax vs maximum

numpyには、同じものに使用できるように見える3つの異なる関数があります--- numpy.maximumことができますのみながら、要素ごとの使用するnumpy.maxとnumpy.amax、特定の軸、またはすべての要素で使用することができます。なぜそれ以上のものがあるのnumpy.maxですか？これにはパフォーマンスの微妙な点はありますか？

（同様に min vs. aminに対してminimum）

np.maxは単にのエイリアスですnp.amax。この関数は単一の入力配列でのみ機能し、その配列全体で最大要素の値を見つけます（スカラーを返します）。または、axis引数を取り、入力配列の軸に沿って最大値を見つけます（新しい配列を返します）。

>>> 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])

のデフォルトの動作np.maximumは、2つの配列を取り、要素ごとの最大値を計算することです。ここで、「互換性がある」とは、1つのアレイを他のアレイにブロードキャストできることを意味します。例えば：

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

しかしnp.maximum、これは汎用関数でもあります。つまり、多次元配列を操作するときに役立つ他の機能やメソッドがあるということです。たとえば、配列（または配列の特定の軸）の累積最大値を計算できます。

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

これは、では不可能np.maxです。

を使用np.maximumするnp.maxと、ある程度模倣することができますnp.maximum.reduce。

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

基本的なテストでは、2つのアプローチのパフォーマンスは同等であることを示しています。そして、それらはnp.max()実際np.maximum.reduceに計算を行うために呼び出されるように、そうあるべきです。

なぜnp.maximum違うのかはすでに説明しました。2つの配列間の要素ごとの最大値である配列を返します。

np.amaxand については、np.maxどちらも同じ関数を呼び出します- np.maxは単なるのエイリアスnp.amaxであり、配列内のすべての要素の最大値、または配列の軸に沿って計算します。

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>

完全を期すために、Numpyには4つの最大関連関数があります。それらは2つの異なるカテゴリに分類されます。

• np.amax/np.max、np.nanmax：単一配列の場合順序統計
• and np.maximum、np.fmax：2つの配列の要素ごとの比較用

I. のために単一のアレイ順序統計

NaNs伝播np.amax/np.max関数とそのNaN無知な対応物np.nanmax。

• np.maxはの単なるエイリアスでnp.amaxあるため、1つの関数と見なされます。

  >>> np.max.__name__
  'amax'
  >>> np.max is np.amax
  True

• np.maxNaNをnp.nanmax無視しながら、NaNを伝播します。

  >>> np.max([np.nan, 3.14, -1])
  nan
  >>> np.nanmax([np.nan, 3.14, -1])
  3.14

II。2つの配列の要素ごとの比較用

NaNs伝播np.maximum関数とそのNaNsの無知な対応物np.fmax。

• どちらの関数も、比較する最初の2つの位置引数として2つの配列を必要とします。

  # x1 and x2 must be the same shape or can be broadcast
  np.maximum(x1, x2, /, ...);
  np.fmax(x1, x2, /, ...)

• np.maximumNaNをnp.fmax無視しながら、NaNを伝播します。

  >>> np.maximum([np.nan, 3.14, 0], [np.NINF, np.nan, 2.72])
  array([ nan,  nan, 2.72])
  >>> np.fmax([np.nan, 3.14, 0], [np.NINF, np.nan, 2.72])
  array([-inf, 3.14, 2.72])

• 要素ごとの関数はnp.ufunc（Universal Function）です。つまり、これらの関数には、通常のNumpy関数にはない特別なプロパティがあります。

  >>> type(np.maximum)
  <class 'numpy.ufunc'>
  >>> type(np.fmax)
  <class 'numpy.ufunc'>
  >>> #---------------#
  >>> type(np.max)
  <class 'function'>
  >>> type(np.nanmax)
  <class 'function'>

最後に、同じルールが4つの最小関連関数に適用されます。

• np.amin/np.min、np.nanmin;
• そしてnp.minimum、np.fmin。

np.maximum 要素ごとに比較するだけでなく、配列ごとに単一の値と比較します

>>>np.maximum([23, 14, 16, 20, 25], 18)
array([23, 18, 18, 20, 25])