Lập chỉ mục và chỉ định ưa thích của Numpy

Question

Lực lượng thường xuyên đè nặng bên trái và bên phải của phép gán để khớp, ví dụ: nếu tôi a[:] = b, b phải có cùng hình dạng hoặc phát sóng có cùng hình dạng a. Nhưng có vẻ là một ngoại lệ cho quy tắc rằng:

>>> a = np.arange(10) 
>>> a 
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 
>>> b = a.copy() 
>>> a[[0,1,2]] = b[::2] 
>>> a 
array([0, 2, 4, 3, 4, 5, 6, 7, 8, 9]) 
>>> a[np.arange(10)] = b[:2] 
>>> a 
array([0, 1, 0, 1, 0, 1, 0, 1, 0, 1]) 

Nó có vẻ chỉ làm việc với mảng 1d và chỉ khi có chỉ mục ưa thích ở phía bên trái của công việc, nhưng tôi đã không thể tìm thấy tài liệu cho hành vi này ở bất cứ đâu. Hành vi này có được ghi lại không, nếu có, và ai đó có thể đưa ra ví dụ về thời điểm nó có thể hữu ích không?

Cập nhật:

Dường như kiểu flatiter NumPy cư xử theo cách này cũng vậy, là có một số mối liên hệ giữa flatiter và lập chỉ mục ưa thích mà tôi không biết?

>>> a.flat = [10,11] 
>>> a 
array([10, 11, 10, 11, 10, 11, 10, 11, 10, 11]) 
>>> a.flat[:] = [2,3,4] 
>>> a 
array([2, 3, 4, 2, 3, 4, 2, 3, 4, 2]) 
>>> a.flat = range(100) 
>>> a 
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 

Answer 1

Tôi nghĩ hành vi này được mô hình hóa trên R và tổ tiên S/S-plus của nó. Đó là cách gán danh sách (gán "vector") hoạt động ở đó và được gọi là "tái chế". Trang web của dự án R nói về nó, nhưng tôi đã tìm thấy một lời giải thích rõ ràng hơn ở số this link. Trong R, một véc tơ là một tập hợp các phép đo, do đó, nó có ý nghĩa để pad hoặc cắt nó theo cách của nó. Bao nhiêu logic này đã khiến nó trở nên uể oải, và tại sao, vẫn là một câu hỏi hay.