np.inf 和 float('Inf') 的区别

Question

NumPy np.inf和float('Inf')之间有什么区别吗？ float('Inf') == np.inf返回True ，所以看起来它们是可以互换的，因此我想知道为什么 NumPy 定义了自己的“inf”常量，我什么时候应该使用一个常量而不是另一个（考虑样式也有顾虑）？

Answer 1

TL、DR：没有区别，它们可以互换使用。

除了与math.inf和float('inf')具有相同的值：

>>> import math
>>> import numpy as np

>>> np.inf == float('inf')
True
>>> np.inf == math.inf
True

它也有相同的类型：

>>> 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

因此它与math.inf和float('inf')具有相同的值和相同的类型，这意味着它是可以互换的。

使用np.inf原因

1. 输入更少：

   • np.inf （6 个字符）
   • math.inf （8 个字符；python 3.5 中的新内容）
   • 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，每次出现您可以节省 6（或 2）个字符。

2. 因为更容易记住。

   至少对我来说，记住np.inf比我需要用字符串调用float容易得多。

   此外，NumPy 还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

3. 常数就是常数

   这一点基于 CPython，在另一个 Python 实现中可能完全不同。

   一个float CPython 实例需要 24 个字节：

    >>> import sys >>> sys.getsizeof(np.inf) 24

   如果您可以重用同一个实例，与创建大量新实例相比，您可能会节省大量内存。 当然，如果您创建自己的inf常量，这一点是inf但如果您不这样做：

    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。

4. 访问常量比创建变量快。

    %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 已经为你做了那又何必呢。