numpy.fmax

numpy.fmax(x1, x2, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature, extobj]) = <ufunc 'fmax'>

Элемент-по-элементу максимальное значение элементов массива.

Сравнивает два массива и возвращает новый массив, содержащий максимальные значения по элементам. Если один из сравниваемых элементов — NaN, возвращается элемент, не являющийся NaN. Если оба элемента — NaN, возвращается первый. Это различие важно для комплексных NaN, которые определяются как наличие по крайней мере одной из действительной или мнимой частей, являющейся NaN. В итоге NaN игнорируются, когда это возможно.

Параметры:

x1, x2 : array_like Массивы, содержащие сравниваемые элементы. Они должны иметь одинаковую форму. out : ndarray, None, или кортеж ndarray и None, необязательно Расположение, в которое сохраняется результат. Если задано, оно должно иметь форму, до которой векторизуются входные данные. Если не задано или None, возвращается свежевыделенный массив. Кортеж (возможен только как ключевой аргумент) должен иметь длину, равную количеству выходов. where : array_like, необязательно Значения True указывают на вычисление ufunc в этой позиции, значения False указывают на оставление значения в выводе без изменения. **kwargs Для других ключевых только аргументов см. документацию ufunc.

Возвращает:

y : ndarray или скаляр Максимальное значение из x1 и x2, по элементам. Возвращает скаляр, если оба x1 и x2 являются скалярами.

См. также

fmin

Элемент-по-элементу минимальное значение двух массивов, игнорирует NaN.

maximum

Элемент-по-элементу максимальное значение двух массивов, передает NaN.

amax

Максимальное значение массива по заданной оси, передает NaN.

nanmax

Максимальное значение массива по заданной оси, игнорирует NaN.

minimum, amin, nanmin

Примечания

Введено в версии 1.3.0.

fmax эквивалентен np.where(x1 >= x2, x1, x2) когда ни x1, ни x2 не являются NaN, но он быстрее и правильно обрабатывает векторизацию.

Примеры

>>> np.fmax([2, 3, 4], [1, 5, 2])
array([ 2.,  5.,  4.])

>>> np.fmax(np.eye(2), [0.5, 2])
array([[ 1. ,  2. ],
       [ 0.5,  2. ]])

>>> np.fmax([np.nan, 0, np.nan],[0, np.nan, np.nan])
array([  0.,   0.,  NaN])