np.sum和之间有什么区别np.add.reduce？
虽然文档很明确:
例如,add.reduce()等效于sum().
两者的性能似乎完全不同:相对较小的阵列大小add.reduce大约快两倍.
$ python -mtimeit -s"import numpy as np; a = np.random.rand(100); summ=np.sum" "summ(a)"
100000 loops, best of 3: 2.11 usec per loop
$ python -mtimeit -s"import numpy as np; a = np.random.rand(100); summ=np.add.reduce" "summ(a)"
1000000 loops, best of 3: 0.81 usec per loop
$ python -mtimeit -s"import numpy as np; a = np.random.rand(1000); summ=np.sum" "summ(a)"
100000 loops, best of 3: 2.78 usec per loop
$ python -mtimeit -s"import numpy as …这是一个软问题，但我怀疑理解这一点将帮助我（也希望其他人）更好地理解numpy（我最近从 MATLAB 迁移）的哲学。
有些函数，如sum、max、transpose等conjugate是类的方法ndarray，因此可以使用arr.sum()、arr.sum(axis=1)等。
不过，大多数函数都是模块的函数numpy，因此您需要像numpy.count_nonzero(arr)、 或numpy.roll(arr)等那样调用它们。其中许多方法仅将单个ndarray对象作为输入，因此在设计方面可以将它们视为数组本身的属性。
这种设计选择背后的逻辑是什么？
对于一维numpy数组a，我认为np.sum(a)和a.sum()是等价的函数，但我只是做了一个简单的实验，似乎后者总是要快一点：
In [1]: import numpy as np
In [2]: a = np.arange(10000)
In [3]: %timeit np.sum(a)
The slowest run took 16.85 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 6.46 µs per loop
In [4]: %timeit a.sum()
The slowest run took 19.80 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best …