为什么 Python 对相同的函数（例如“sum”或“and”）表现不同？

Question

**

• 场景一： sum

** 我发现在 numpy 中处理二维数组时，我意识到求和有不同的选项 - 即，Python 内置方法sum仅提供沿轴的求和，而 numpy sum提供总二维数组（矩阵）的求和）。

**

• 场景 2： and与&

**

我注意到逻辑和（ and ）按位和（ & ）都适用于相同的数据元素，但产生不同的结果。 事实上，逻辑和and在dataframe series中不起作用，而按位和&工作得很好。

为什么会发生这种情况？ 任何人都可以根据语言的历史、设计、目的等提供见解，以便更好地理解吗？

问候 Ssp

Answer 1

numpy在 Python 中运行，并从ndarray类方法和模块函数中获取其所有特殊行为。 它不会改变 Python 语法。

Python sum将其输入视为可迭代的； 用一维数组很容易理解，就像在列表上操作一样。 但在二维数组上，更难理解：

In [52]: x = np.arange(12).reshape(3,4)                                         
In [53]: sum(x)                                                                 
Out[53]: array([12, 15, 18, 21])    # what's this doing?
In [54]: x.sum()        # or np.sum(x)                                                            
Out[54]: 66
In [55]: x.sum(axis=0)                                                          
Out[55]: array([12, 15, 18, 21])    # sum down rows, one per column
In [56]: x.sum(axis=1)                                                          
Out[56]: array([ 6, 22, 38])        # sum across columns, one per row

Python and是一个短路运算符。 像if语句一样，它与 numpy 数组一起使用很可能会产生ambiguity错误。 数组的比较产生布尔数组。 不能在需要标量布尔值的 Python 上下文中使用布尔数组。

+ 、 * &等运算符具有特定于类的含义/方法。 [1,2,3]*3与np.array([1,2,3])*3 。 "a"+"string"与np.arange(3)+3 。