Numpy：就地操作和显式操作的奇怪不同行为

Question

我想对 numpy 数组进行操作以使用它们的索引，并且我想包括 0 维情况。 现在我遇到了一个奇怪的情况，如果我不使用就地乘法，就会出现类型转换：

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，就地操作的实现方式不同，它们不会创建数组的副本，但我不明白，如果我将 0d 数组与浮点数相乘，为什么要更改类型？ 它适用于一维数组：

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

我认为，这很奇怪......现在我遇到了以下问题，我必须单独处理 0d-array ：

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，因此不一定存在良好的解释。 但是，我想捍卫/解释观察到的行为如下。

如果是

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

我们创建了一个np.ndarray对象y ，然后执行它的操作。 在这里，最自然的行为是操作（可能）改变y的值，而类型应该保持不变。 这确实是实际发生的事情。

顺便说一句，请注意type和 NumPy 数据类型（或dtype ）之间的区别。 如果我们开始了与y = np.array(1) （D类的np.int64 ），操作y *= 1.是现在，因为这将非法需要改变dtype就地！

对于x = 1.*np.array(1.) ，让我们把它白化为

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，我们创建了两个对象x1和x2 ，然后使用对称运算（这里是二进制乘法）将它们组合成第三个对象x 。 由于x1和x2碰巧具有不同（但兼容）的类型，因此x的类型并不明显：它同样可以是x1的类型（ float ）或x2的类型（ numpy.ndarray ）。 令人惊讶的是，实际答案都不是，因为x的类型是np.float64 。 这种行为源于两个不同的选择。

选择 1

将 0 维数组与标量组合会生成标量，而不是 0 维数组。 这真的是让你绊倒的选择。 我想它也可能被反过来选择了。 全局开关（例如np.return_scalar = False ）将是一个不错的功能！

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，也是long ）。 因此， float时间np.float64导致np.float64 。

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