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

dkv 发表于 Dev

dkv

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

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

塞弗特

np.all(a)和之间的区别a.all()很简单：

如果a是，numpy.array则np.all()只需致电a.all()。
如果a不是，numpy.array则np.all()调用会将其转换为numpy.array，然后调用a.all()。a.all()另一方面会因为a不是numpy.array而失败，因此可能没有all方法。

np.all和之间的区别all更加复杂。

该all功能适用于任何可迭代（包括list，sets和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array具有指定数据类型的，这使得比较时非常有效!= 0。all但是需要评估bool每个项目，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。