我想知道在 Python/Numpy 中获取“n”个矩阵的最大值的最佳方法/优化方法。
例如：
import numpy as np
matrices=[np.random.random((5,5)) for i in range(10)]
# the function np.maximum from numpy only works for two matrices.
max_matrix=np.maximum(matrices[0],matrices[1])
max_matrix=np.maximum(*matrices) # <- error
你将如何克服这个问题？
【问题讨论】：
标签： python performance matrix numpy max
使用reduce:
reduce(np.maximum, matrices)
来自docs：
reduce(函数, 可迭代[, 初始化器])将两个参数的函数累积应用于可迭代项， 从左到右，从而将可迭代减少为单个值。 例如，
reduce(lambda x, y: x+y, [1, 2, 3, 4, 5])计算((((1+2)+3)+4)+5)。左边的参数，x，是累加值和 正确的参数y是来自可迭代对象的更新值。如果 可选初始化器存在，它被放置在项目之前 在计算中可迭代，并在可迭代时用作默认值 是空的。如果没有给出初始化程序并且可迭代只包含一个 item，返回第一个 item。
【讨论】：
import numpy as np
matrices=[np.random.random((5,5)) for i in range(10)]
np.max(np.hstack(matrices))
将为您提供所有 n 个矩阵的最大值。这基本上使用np.hstack 将matrices 中的所有矩阵合并到一个数组中，然后取该新数组的最大值。这假设您的所有矩阵都具有相同的行数。您也可以使用np.vstack 或np.concatenate 来达到类似的效果。
编辑我重新阅读了您的问题，您实际上可能想要更多类似的东西：
np.max(np.dstack(matrices),axis=2)
这将沿第三个轴堆叠所有矩阵，然后沿该方向为您提供最大值，为您的情况返回一个 5x5 矩阵。
编辑#2以下是一些时间安排：
In [33]: matrices = [np.random.random((5,5)) for i in range(10)]
In [34]: %timeit np.dstack(matrices).max(2)
10000 loops, best of 3: 92.6 us per loop
In [35]: %timeit np.array(matrices).max(axis=0)
10000 loops, best of 3: 90.9 us per loop
In [36]: %timeit reduce(np.maximum, matrices)
10000 loops, best of 3: 25.8 us per loop
对于一些更大的数组：
In [37]: matrices = [np.random.random((200,200)) for i in range(100)]
In [38]: %timeit np.dstack(matrices).max(2)
10 loops, best of 3: 111 ms per loop
In [39]: %timeit np.array(matrices).max(axis=0)
1 loops, best of 3: 697 ms per loop
In [40]: %timeit reduce(np.maximum, matrices)
100 loops, best of 3: 12.7 ms per loop
史蒂文赢了！
【讨论】：