np.infとfloat（ 'Inf'）の違い

TL、DR：違いはなく、同じように使用できます。

math.infandと同じ値を持つことに加えてfloat('inf')：

>>> import math
>>> import numpy as np

>>> np.inf == float('inf')
True
>>> np.inf == math.inf
True

また、同じタイプです。

>>> import numpy as np
>>> type(np.inf)
float
>>> type(np.inf) is type(float('inf'))
float

NumPyにも独自の浮動小数点型があるため、これは興味深いです。

>>> np.float32(np.inf)
inf
>>> type(np.float32(np.inf))
numpy.float32
>>> np.float32('inf') == np.inf  # nevertheless equal
True

それは同じ値と同じ型を持つようにmath.infし、float('inf')それは交換可能です意味しています。

使用する理由 np.inf

1. 入力する手間が省けます：

   • np.inf （6文字）
   • math.inf （8文字; Python 3.5の新機能）
   • float('inf') （12文字）

   つまり、すでにNumPyをインポートしている場合は、float('inf')（またはmath.inf）と比較して、発生ごとに6（または2）文字を節約できます。

2. 覚えやすいから。

   少なくとも私にとっては、文字列でnp.inf呼び出す必要があるよりも覚えやすいfloatです。

   また、NumPyは、無限大の追加のエイリアスもいくつか定義しています。

   np.Inf
   np.inf
   np.infty
   np.Infinity
   np.PINF
   

   また、負の無限大のエイリアスも定義します。

   np.NINF
   

   同様にnan：

   np.nan
   np.NaN
   np.NAN
   

3. 定数は定数です

   この点はCPythonに基づいており、別のPython実装では完全に異なる可能性があります。

   floatCPythonのインスタンスは、24バイトが必要です。

   >>> import sys
   >>> sys.getsizeof(np.inf)
   24
   

   同じインスタンスを再利用できる場合、新しいインスタンスを大量に作成する場合と比較して、多くのメモリを節約できる可能性があります。もちろん、この点は、独自のinf定数を作成する場合はミュートですが、作成しない場合：

   a = [np.inf for _ in range(1000000)]
   b = [float('inf') for _ in range(1000000)]
   

   bは、24 * 1000000バイト（約23 MB）より多くのメモリを使用しaます。

4. 定数へのアクセスは、変数の作成よりも高速です。

   %timeit np.inf
   37.9 ns ± 0.692 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
   %timeit float('inf')
   232 ns ± 13.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
   
   %timeit [np.inf for _ in range(10000)]
   552 µs ± 15.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
   %timeit [float('inf') for _ in range(10000)]
   2.59 ms ± 78.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
   

   もちろん、その点に対抗するために独自の定数を作成できます。しかし、なぜNumPyがすでにそれを行っているのか気になります。