Python numpy.square 與 **

Question

numpy.square和在 Numpy 數組上使用**運算符之間有區別嗎？

據我所見，它產生了相同的結果。

執行效率有什么不同嗎？

一個澄清的例子：

In [1]: import numpy as np

In [2]: A = np.array([[2, 2],[2, 2]])

In [3]: np.square(A)
Out[3]: 
array([[4, 4],
       [4, 4]])

In [4]: A ** 2
Out[4]: 
array([[4, 4],
       [4, 4]])

Answer 1

您可以檢查執行時間以清楚地了解它

In [2]: import numpy as np
In [3]: A = np.array([[2, 2],[2, 2]])
In [7]: %timeit np.square(A)
1000000 loops, best of 3: 923 ns per loop
In [8]: %timeit A ** 2
1000000 loops, best of 3: 668 ns per loop

Answer 2

對於大多數設備，兩者都會給您相同的結果。 通常，標准的 pythonic a*a或a**2比numpy.square()或numpy.pow()更快，但numpy函數通常更靈活和精確。 如果您進行需要非常准確的計算，請堅持使用numpy ，甚至可能使用其他數據類型float96 。

對於正常使用a**2會做得很好，而且比numpy更快。 這個線程中的人為類似問題提供了一些很好的例子。

Answer 3

@saimadhu.polamuri 和 @foehnx/@Lumos

目前，在我的機器上，NumPy 的執行速度比 ** 快。

在 [1] 中：將 numpy 導入為 np

在 [2] 中： A = np.array([[1,2],[3,4]])

在 [3] 中：%timeit A ** 2

每個循環 256 ns ± 0.922 ns（平均值 ± 標准偏差。7 次運行，每次 1000000 次循環）

在 [4] 中：%timeit np.square(A)

每個循環 240 ns ± 0.759 ns（平均值 ± 標准偏差。7 次運行，每次 1000000 次循環）