Python numpy例程和ndarray方法之间的区别？

使用

numpy

时，通常可以在从

numpy

API调用函数和从

ndarray

调用函数之间进行选择，例如：

>>> import numpy as np
>>> array_ = np.array([True, False, True])
>>> np.any(array_)
True
>>> array_.any()
True

在功能上，这些在我看来是相同的； 是吗？ 它们在编程上不同吗？（例如，性能/内存方面）

---

我试着在

numpy

参考手册中找到关于和的答案，但据我所知，没有给出任何解释。

首先要注意术语，所以这个例子的其余部分很清楚--

np。any（arr）

是一个函数

arr.any（）

在技术上是一种实例方法

---

通常，顶级

np.（arr）

函数是

arr

方法的包装

以下是来自

NumPy.core.fromnumeric的
np.any（）
，NumPy版本1.14.5的源代码：

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（如）可能使用“”来执行几乎相同的操作。有关
np.transpose（）
的类似示例，请参见Q/A。一般来说，它归结为
np.（arr）
变成了某种形式的
getattr（arr，）
，至少对于中的内容是这样的


从比较的角度来看——您谈论的是在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活性：例如，有一个对
np.asanyarray（a）
的调用，这意味着您可以将Python列表作为
a
传递给函数。在我的计算机上，调用
np.asanyarray（arr）
要花费
arr.any（）的1/8时间，因此要在答案中注入一些观点，从性能优化的角度来看，在这两者之间进行选择可能不是第一个考虑的地方。
如果你执行
某个数组，foo
，如果
foo
未连接到
some\u数组
，它将返回到
numpy.foo（数组（some\u数组））
。