Question

在Python中，您的类的__rmul__方法是否可以覆盖另一个类的__mul__方法，而无需更改其他类？

这个问题出现了，因为我正在为某种类型的线性运算符编写一个类，我希望它能够使用乘法语法来增加numpy数组。以下是说明问题的最小示例：

import numpy as np    

class AbstractMatrix(object):
    def __init__(self):
        self.data = np.array([[1, 2],[3, 4]])

    def __mul__(self, other):
        return np.dot(self.data, other)

    def __rmul__(self, other):
        return np.dot(other, self.data)

左乘法工作正常：

In[11]: A = AbstractMatrix()
In[12]: B = np.array([[4, 5],[6, 7]])
In[13]: A*B
Out[13]: 
array([[16, 19],
       [36, 43]])

但右乘法默认为np.ndarray的版本，它将数组拆分并逐个元素执行乘法（这不是所希望的）：

In[14]: B*A
Out[14]: 
array([[array([[ 4,  8],
       [12, 16]]),
        array([[ 5, 10],
       [15, 20]])],
       [array([[ 6, 12],
       [18, 24]]),
        array([[ 7, 14],
       [21, 28]])]], dtype=object)

在这种情况下，如何在原始（非分裂）数组上调用我自己的类__rmul__？

欢迎解决numpy数组的特定情况的答案，但我也对覆盖另一个无法修改的第三方类的方法的一般想法感兴趣。

Answer 1

让NumPy尊重__rmul__方法的最简单方法是设置__array_priority__：

class AbstractMatrix(object):
    def __init__(self):
        self.data = np.array([[1, 2],[3, 4]])

    def __mul__(self, other):
        return np.dot(self.data, other)

    def __rmul__(self, other):
        return np.dot(other, self.data)

    __array_priority__ = 10000

A = AbstractMatrix()
B = np.array([[4, 5],[6, 7]])

这就像预期的那样。

>>> B*A
array([[19, 28],
       [27, 40]])

问题在于NumPy并不尊重Pythons "Numeric" Data model。如果numpy数组是第一个参数且numpy.ndarray.__mul__不可能，那么它会尝试类似：

result = np.empty(B.shape, dtype=object)
for idx, item in np.ndenumerate(B):
    result[idx] = A.__rmul__(item)

但是，如果第二个参数的__array_priority__高于第一个参数，那么真的会使用：

A.__rmul__(B)

但是，自Python 3.5（PEP-465）以来，@（__matmul__）运算符可以使用矩阵乘法：

>>> A = np.array([[1, 2],[3, 4]])
>>> B = np.array([[4, 5],[6, 7]])
>>> B @ A
array([[19, 28],
       [27, 40]])

用你的班级mul覆盖其他rmul

1 个答案:

用你的班级__mul__覆盖其他__rmul__

1 个答案:

用你的班级mul覆盖其他rmul