<分区>
使用 numpy 时，通常可以选择从 numpy API 调用函数，还是从 ndarray 调用函数，例如:
>>> import numpy as np
>>> array_ = np.array([True, False, True])
>>> np.any(array_)
True
>>> array_.any()
True
在功能上，这些对我来说似乎是相同的； 他们是吗？ 它们在编程上是否不同？ (例如性能/内存方面)
我试图在关于 ndarrays 的 numpy 引用手册中找到答案和 routines ，但据我所知，没有给出任何解释。
最佳答案
首先要注意术语，这样这个例子的其余部分就很清楚了-- np.any(arr)是一个函数； arr.any()技术上是一个实例方法。
一般来说，顶级np.<function>(arr)函数是 arr 方法的包装器.
这是 np.any() 的来源, NumPy 版本 1.14.5，来自 numpy.core.fromnumeric :
def any(a, axis=None, out=None, keepdims=np._NoValue):
arr = asanyarray(a)
kwargs = {}
if keepdims is not np._NoValue:
kwargs['keepdims'] = keepdims
return arr.any(axis=axis, out=out, **kwargs)
其他版本的 NumPy(例如 one currently on GitHub)可能会使用“wrapper factory function”来做几乎相同的事情。另见 this与 np.transpose() 类似示例的问答.一般来说，它归结为 np.<function>(arr)变成某种形式的 getattr(arr, <function>) ，至少对于 fromnumeric.py 中的内容.
就比较而言——您谈论的是使用顶级函数时增加的额外开销，但这带来了一些额外的灵 active :例如，调用了 np.asanyarray(a) ，这意味着您可以将 Python 列表作为 a 传递到功能。在我的电脑上，调用 np.asanyarray(arr)花费 arr.any() 时间的 1/8 ，所以在答案中加入一点意见，在两者之间进行选择可能不是性能优化方面的首要考虑。
关于python - numpy 例程和 ndarray 方法之间的区别？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/51306501/
相关文章：
python - 声明 basinhopping 优化的约束
c++ - gdbinit、 pretty-print 和相关目录？
python - 如何在 Python 中使用 Matplotlib 绘制阶跃函数？
python - TensorFlow 估计器.预测 : Saving when as_iterable=True
python - 谷歌云功能 - ImportError : cannot import name 'pubsub' from 'google.cloud' (unknown location)
python - 将样本编号附加到 altair 中的 X-Labels