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

Question

Python/NumPy中三个“all”方法有什么区别？性能差异的原因是什么？ ndarray.all（）总是三者中最快的是真的吗？

这里是我跑一个计时测试：

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()之间的区别很简单：

• 如果a是numpy.array然后np.all()就叫a.all()。
• 如果a不是numpy.array，np.all()呼叫会将其转换为numpy.array，然后呼叫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与all之间的差异更为复杂。

• 的all功能适用于任何可迭代（包括list，set S，generators，...）。 np.all仅适用于numpy.array s（包括可转换为numpy阵列的所有内容，即list s和tuple s）。
• np.all处理一个array与指定的数据类型，这使得它比较!= 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都需要转换为python对象。 np.all不需要做这种转换。

请注意，时间也取决于您的a的类型。如果处理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()几乎在所有情况下都会更快（除了可能为object数组，但我不会沿着这条路走下去，那就是疯狂）。

Answer 2

我会采取摇摆在这个

• np.all是一个通用的功能，这将有不同的数据类型工作，下这可能会寻找ndarray.all这就是为什么它稍慢。

• 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，直接调用它可能会更快。

Answer 3

我怀疑numpy的职能做更多的评价一个数组元素为一个布尔，可能在一些普通的数字，第一种方式，而内置all()什么也不做，因为内容已经布尔。

我想知道浮点数的整数结果会有多不同。