带有__add__的自定义类，可以使用NumPy数组添加

Question

我有一个自定义类，实现__add__和__radd__为

import numpy

class Foo(object):

    def __init__(self, val):
        self.val = val

    def __add__(self, other):
        print('__add__')
        print('type self = %s' % type(self))
        print('type other = %s' % type(other))
        return self.val + other

    def __radd__(self, other):
        print('__radd__')
        print('type self = %s' % type(self))
        print('type other = %s' % type(other))
        return other + self.val

我首先测试__add __

r1 = Foo(numpy.arange(3)) + numpy.arange(3,6)
print('type results = %s' % type(r1))
print('result = {}'.format(r1))

它会导致预期的结果

>>> __add__
>>> type self = <class '__main__.Foo'>
>>> type other = <type 'numpy.ndarray'>
>>> type results = <type 'numpy.ndarray'>
>>> result = [3  5  7]

然而，测试__radd __

r2 = numpy.arange(3) + Foo(numpy.arange(3,6))
print('type results = %s' % type(r2))
print('result = {}'.format(r2))

我得到了

>>> __radd__
>>> type self = <class '__main__.Foo'>
>>> type other = <type 'int'>
>>> __radd__
>>> type self = <class '__main__.Foo'>
>>> type other = <type 'int'>
>>> __radd__
>>> type self = <class '__main__.Foo'>
>>> type other = <type 'int'>
>>> type results = <type 'numpy.ndarray'>
>>> result = [array([3, 4, 5]) array([4, 5, 6]) array([5, 6, 7])]

这对我没有任何意义。 NumPy是否为任意对象重载__add__，然后优先于我的__radd__？如果是的话，为什么他们会做这样的事情？另外，我怎么能避免这种情况，我真的希望能够在左侧添加带有NumPy数组的自定义类。感谢。

Answer 1

这在评论中隐藏了，但应该是答案。

默认情况下，Numpy操作以每个元素为基础，以任意对象为对象，然后尝试按元素执行操作（根据广播规则）。

例如，这意味着给定

class N:
    def __init__(self, x):
        self.x = x

    def __add__(self, other):
        return self.x + other

    def __radd__(self, other):
        return other + self.x

由于Python运算符解析

N(3) + np.array([1, 2, 3])

将以__add__到达上面的N(3)，并将整个数组作为other一次，然后执行常规的Numpy加法。

另一方面

np.array([1, 2, 3]) + N(3)

将成功输入Numpy的ufunc（在这种情况下为运算符），因为它们将任意对象作为“其他”，然后尝试依次执行：

1 + N(3)
2 + N(3)
3 + N(3)

这意味着上面的__add__被调用3次，而不是一次，每个元素调用一次，从而大大降低了操作速度。要禁用此行为，并在获取Numpy对象时让NotImplementedError引发N，从而允许RHS重载radd接管，请在您的正文中添加以下内容课：

class N:
    ...
    __numpy_ufunc__ = None # Numpy up to 13.0
    __array_ufunc__ = None # Numpy 13.0 and above

如果不是向后兼容的问题，那么只需要第二个。