Tại sao Numpy xử lý + = b và a = a + b theo cách khác nhau

Question

Hành vi cố ý có hành vi numpy sau đây hay là lỗi?

from numpy import * 

a = arange(5) 
a = a+2.3 
print 'a = ', a 
# Output: a = 2.3, 3.3, 4.3, 5.3, 6.3 

a = arange(5) 
a += 2.3 
print 'a = ', a 
# Output: a = 2, 3, 4, 5, 6 

Python phiên bản: 2.7.2, numpy phiên bản: 1.6.1

Answer 1

Đó là cố ý.

Toán tử += duy trì loại mảng. Nói cách khác, một mảng các số nguyên vẫn là một mảng các số nguyên.

Điều này cho phép NumPy thực hiện thao tác += bằng bộ nhớ mảng hiện có. Mặt khác, a=a+b tạo một mảng hoàn toàn mới cho tổng, và rebinds a để trỏ đến mảng mới này; điều này làm tăng dung lượng lưu trữ được sử dụng cho hoạt động.

Để trích dẫn documentation:

Cảnh báo: Trong hoạt động nơi sẽ thực hiện việc tính toán bằng cách sử dụng chính xác bởi các kiểu dữ liệu của hai toán hạng quyết định, nhưng âm thầm sẽ downCast kết quả (nếu cần thiết) để nó có thể vừa với mảng. Do đó, để tính toán chính xác hỗn hợp, A {op}= B có thể khác với A = A {op} B. Ví dụ: giả sử a = ones((3,3)). Sau đó, a += 3j khác với a = a + 3j: trong khi cả hai đều thực hiện cùng một tính toán, a += 3 cho kết quả phù hợp trở lại trong a, trong khi a = a + 3j liên kết lại tên a với kết quả.

Cuối cùng, nếu bạn đang tự hỏi tại sao a là một mảng số nguyên ở nơi đầu tiên, hãy xem xét những điều sau đây:

In [3]: np.arange(5).dtype 
Out[3]: dtype('int64') 

In [4]: np.arange(5.0).dtype 
Out[4]: dtype('float64') 

Answer 2

@aix là hoàn toàn đúng. Tôi chỉ muốn chỉ ra điều này không phải là duy nhất để numpy. Ví dụ:

>>> a = [] 
>>> b = a 
>>> a += [1] 
>>> print a 
[1] 
>>> print b 
[1] 
>>> a = a + [2] 
>>> print a 
[1, 2] 
>>> print b 
[1] 

Như bạn thấy += đổi danh sách và + tạo ra một danh sách mới. Nắm giữ này cũng là một sự náo nhiệt. + tạo một mảng mới để nó có thể là bất kỳ loại dữ liệu nào. += sửa đổi mảng inplace và nó không thực tế, và imo mong muốn, cho numpy để thay đổi kiểu dữ liệu của một mảng khi nội dung mảng được sửa đổi.