Numpy:inplace和explicit操作的奇怪的不同行为

Question

我想操作numpy数组来使用它们的索引,我想要包含0维的情况.现在我遇到了一个奇怪的情况,如果我不使用就地乘法,则会出现类型转换:

In [1]: import numpy as np

In [2]: x = 1.*np.array(1.)

In [3]: y = np.array(1.)

In [4]: y *= 1.

In [5]: x
Out[5]: 1.0

In [6]: y
Out[6]: array(1.)

In [7]: type(x)
Out[7]: numpy.float64

In [8]: type(y)
Out[8]: numpy.ndarray

为什么x的类型与y不同？我知道,inplace操作是不同的实现,他们不创建数组的副本,但我不明白,为什么类型被更改,如果我将一个0d数组与浮点数相乘？它适用于1d阵列:

In [1]: import numpy as np

In [2]: x = np.array(1.)

In [3]: y = np.array([1.])

In [4]: 1.*x
Out[4]: 1.0

In [5]: 1.*y
Out[5]: array([1.])

In [7]: type(1.*x)
Out[7]: numpy.float64

In [8]: type(1.*y)
Out[8]: numpy.ndarray

我想,这很奇怪......现在我遇到了以下问题,我必须分别处理0d数组:

In [1]: import numpy as np

In [2]: x = np.array(1.)

In [3]: y = np.array(1.)*1.

In [4]: x[x>0]
Out[4]: array([1.])

In [5]: y[y>0]
Out[5]: array([1.])

In [6]: x[x>0] = 2.

In [7]: y[y>0] = 2.
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-7-5f9c5b138fc0> in <module>()
----> 1 y[y>0] = 2.

TypeError: 'numpy.float64' object does not support item assignment

Answer 1

最终，这种行为归结为开发人员做出的自由选择，因此不一定存在好的解释。然而，我想对观察到的行为进行如下辩护/解释。

如果是

y = np.array(1.)
y *= 1.

我们创建一个np.ndarray对象y，然后对其进行操作。在这里，最自然的行为是操作（可能）改变的值y，而类型应保持不变。这确实是实际发生的情况。

另外，请注意type和 NumPy 数据类型（或dtype）之间的区别。y = np.array(1)如果我们从(dtype of )开始np.int64，该操作y *= 1.现在是非法的，因为这需要dtype就地更改！

对于这种情况x = 1.*np.array(1.)，让我们将其白化为

x1 = 1.
x2 = np.array(1.)
x = x1*x2

在这里，我们不创建一个对象然后对其进行操作。相反，我们创建两个对象x1和x2，然后x使用对称运算（此处为二进制乘法）将它们组合成第三个对象 。由于x1和x2恰好具有不同（但兼容）的类型，因此 的类型x是非显而易见的：它同样可以是x1( ) 的类型或( )float的类型。令人惊讶的是，实际答案都不是，因为 的类型是。这种行为源于两个不同的选择。x2numpy.ndarrayxnp.float64

选择1

将 0 维数组与标量组合会产生标量，而不是 0 维数组。这确实是一个让你绊倒的选择。我想也可能是反过来选择的。全局开关（例如np.return_scalar = False）将是一个很好的功能！

选择2

将 NumPy 数值数据类型与标准 Python 数值类型相结合会产生 NumPy 数值数据类型。在这里，第一类包括np.int64, np.float64, np.complex128（以及更多），而后者仅包含int,float和complex（对于 Python 2，还有long）。因此，float时间np.float64导致np.float64。

综合起来，这两个选择确实产生了x = 1.*np.array(1.)dtype 的 NumPy 标量np.float64。