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

Question

Python/NumPy 中的三个“all”方法有什么区别？性能差异的原因是什么？ ndarray.all() 真的是三者中最快的吗？

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() 会失败，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、sets、generators，...）。 np.all 仅适用于 numpy.arrays（包括可以转换为 numpy 数组的所有内容，即 lists 和 tuples）。
• np.all 处理具有指定数据类型的array，这在比较!= 0 时非常有效。 all 但是需要为每个项目评估 bool，这要慢得多。
• 使用 python 函数处理数组非常慢，因为数组中的每个项目都需要转换为 python 对象。 np.all 不需要进行这种转换。

请注意，时间还取决于您的a 的类型。如果您处理 python 列表 all 对于相对较短的列表可能会更快。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（可能除了object 数组，但我不会走那条路，那样会很疯狂）。

Answer 2

我会试试这个

• np.all 是一个通用函数，它适用于不同的数据类型，在底层它可能会寻找ndarray.all，这就是它稍微慢一些的原因。

• all 是一个 python 内置函数，参见https://docs.python.org/2/library/functions.html#all。

• ndarray.all是'numpy.ndarray'对象的方法，直接调用可能更快。

Answer 3

我怀疑 numpy 的函数在将数组元素评估为布尔值方面做得更多，可能以某种通用的数字优先方式，而内置 all() 什么都不做，因为元素已经是布尔值。

我想知道浮点数整数的结果会有多大不同。