np。sum和np。添加减产,你用什么?

我想我没有用过 np.add.reduce 什么时候 np.sum 或 arr.sum 也可以。为什么要键入更长的内容来实现微不足道的加速呢。

考虑中等大小数组上的1轴和:

In [299]: arr = np.arange(10000).reshape(100,10,5,2)

In [300]: timeit np.sum(arr,axis=0).shape
20.1 µs ± 547 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [301]: timeit arr.sum(axis=0).shape
17.6 µs ± 22.7 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [302]: timeit np.add.reduce(arr,axis=0).shape
18 µs ± 300 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [303]: 

合计金额 是最快的。很明显,这比 np。总和 因为少了一个级别的函数调用。 np。添加减少 不是更快。

这个 ufunc.reduce 有自己的位置,尤其是 ufunc 这不等于 sum 或 prod . (似乎我最近对此发表了评论)。

我想你会发现 np.add.at 或 np.add.reduceat 比 np。添加减少 在SO答案中。那些是 ufunc公司 没有等效方法的构造。

或搜索关键字,如 keepdims . 这在所有3种构造中都可用,但几乎所有示例都将使用它 总和 不 reduce .

在设置这些测试时,我偶然发现了一个我没有意识到的差异:

In [307]: np.add.reduce(arr).shape    # default axis 0
Out[307]: (10, 5, 2)
In [308]: np.sum(arr)     # default axis None
Out[308]: 49995000
In [309]: arr.sum()
Out[309]: 49995000