NumPynp.inf
和float('Inf')
之间有什么区别吗?float('Inf') == np.inf
返回True
,所以它们似乎是可以互换的,因此我想知道为什么 NumPy 定义了自己的"inf"常量,以及我什么时候应该使用一个常量而不是另一个常量(也考虑样式问题)?
TL,DR:没有区别,它们可以互换使用。
除了具有与math.inf
和float('inf')
相同的值:
>>> import math
>>> import numpy as np
>>> np.inf == float('inf')
True
>>> np.inf == math.inf
True
它还具有相同的类型:
>>> import numpy as np
>>> type(np.inf)
float
>>> type(np.inf) is type(float('inf'))
float
这很有趣,因为NumPy也有它自己的浮点类型:
>>> np.float32(np.inf)
inf
>>> type(np.float32(np.inf))
numpy.float32
>>> np.float32('inf') == np.inf # nevertheless equal
True
因此,它具有与math.inf
和float('inf')
相同的值和类型,这意味着它是可互换的。
使用np.inf
的原因
- 打字少了:
np.inf
(6 个字符)math.inf
(8个字符;Python 3.5 中的新功能)float('inf')
(12 个字符)
这意味着如果您已经导入了 NumPy,与float('inf')
(或math.inf
)相比,每次出现可以节省 6(或 2)个字符。
- 因为它更容易记住。
至少对我来说,记住np.inf
比我需要用字符串调用float
要容易得多。
此外,NumPy为无穷大定义了一些额外的别名:
np.Inf
np.inf
np.infty
np.Infinity
np.PINF
它还定义了负无穷大的别名:
np.NINF
同样对于nan
:
np.nan
np.NaN
np.NAN
- 常量
- 是常量
这一点是基于CPython的,在另一个Python实现中可能完全不同。
一个float
的CPython实例需要24个字节:
>>> import sys
>>> sys.getsizeof(np.inf)
24
如果可以重用同一实例,则与创建大量新实例相比,可能会节省大量内存。当然,如果你创建自己的inf
常量,这一点是无声的,但如果你不这样做,那么:
a = [np.inf for _ in range(1000000)]
b = [float('inf') for _ in range(1000000)]
b
将使用比a
多 24 * 1000000字节(~23 MB)的内存。
访问常量比创建变量更快。
%timeit np.inf 37.9 ns ± 0.692 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each) %timeit float('inf') 232 ns ± 13.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each) %timeit [np.inf for _ in range(10000)] 552 µs ± 15.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) %timeit [float('inf') for _ in range(10000)] 2.59 ms ± 78.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
当然,您可以创建自己的常量来反驳这一点。但是,如果NumPy已经为您做了这件事,那又何必呢?