python - NumPy ndarray.all() vs np.all(ndarray) vs all(ndarray)

Question

Python/NumPy 中的三种“全部”方法有什么区别？性能差异的原因是什么？ ndarray.all() 是否总是三者中最快的？

这是我运行的计时测试:

In [59]: a = np.full(100000, True, dtype=bool)

In [60]: timeit a.all()
The slowest run took 5.40 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 5.24 µs per loop

In [61]: timeit all(a)
1000 loops, best of 3: 1.34 ms per loop

In [62]: timeit np.all(a)
The slowest run took 5.54 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 6.41 µs per loop

Answer 1

np.all(a) 和 a.all() 的区别很简单:

• 如果 a 是一个 numpy.array 那么 np.all() 将简单地调用 a.all().
• 如果 a 不是 numpy.array np.all() 调用会将其转换为 numpy.array 然后调用 a.all()。另一方面，a.all() 将失败，因为 a 不是 numpy.array，因此可能没有 all 方法。

np.all 和all 的区别比较复杂。

• all 函数适用于任何可迭代对象(包括 list、set、generators、... ). np.all 仅适用于 numpy.array(包括可以转换为 numpy 数组的所有内容，即 list 和 元组)。
• np.all 处理具有指定数据类型的 array，这使得它在比较 != 0 时非常高效。 all 但是需要为每个项目评估 bool，这要慢得多。
• 用 python 函数处理数组非常慢，因为数组中的每一项都需要转换为 python 对象。 np.all 不需要进行该转换。

请注意，时间还取决于您的a 的类型。如果你处理一个 python 列表 all 对于相对较短的列表来说会更快。如果你处理一个数组，np.all 和 a.all() 在几乎所有情况下都会更快(除了 object 数组，但我不会走那条路，那条路是疯狂的)。