Question

我对Python的设计有疑问。我意识到有些功能是直接在容器类（例如numpy数组）上实现的，而作用于这些容器的其他功能必须从numpy本身调用。一个例子是：

import numpy as np

y = np.array([4,7,9,1])
m1 = np.mean(y)  # Ok
m2 = y.mean()  # Ok
print(m1 == m2)  # True

x = [2,3]
r1 = np.concatenate([x, y]) # Ok
r2 = y.concatenate(x)  # AttributeError: 'numpy.ndarray' object has no attribute 'concatenate'
print(r1 == r2)

为什么不能直接从数组中计算均值，而将数组作为没有方法将其连接到另一个方法呢？是否有一个通用规则，哪些函数可以直接在数组上调用而哪些不能？如果两者都有可能，那么用pythonic的方法是什么？

Answer 1

NumPy history的概述说明了为什么并非所有内容都是一致的：它有两个独立开发的前身。向后兼容要求项目保留array之类的max方法。正在进行的开发支持函数语法np.fun(array)。我想后者的一个原因是它允许array_like输入（整个NumPy文档中使用的术语）：NumPy可以变成ndarray的任何内容。

Answer 2

已经讨论了为什么同时存在相同名称的方法和函数的问题，并提供了链接。

但是，请专注于您的两个示例：

mean仅使用一个数组。从逻辑上讲，它可以是ndarray方法。

concatenate接受一个数组列表，并且不优先考虑其中任何一个。

有一个np.append函数，从表面上看类似于列表.append方法。但是，只需进行一些修改即可将任务传递到concatenate上。而且它会导致各种各样的newby错误-与list方法相比，它不是就位，杂乱无章，而且速度较慢。

或者考虑庞大的ufunc系列。这些是函数，有些采用一个数组，另一些采用两个数组。它们共享通用的ufunc功能。

np.add(a,b)   <=> a+b   <=> a.__add__(b)
np.sin(a)    # no a.sin()

我怀疑使sin成为ufunc而不是一种方法的选择受到了通用数学符号的影响。

对我来说，函数方法的一大优点是它可以应用于列表或标量。 np.sin(1)和np.sin([0,.5,1])或np.sin(np.arange(0,1,.5))一样好。

是的，历史在为各种方法的功能混合开辟一段很长的路要走，但是许多选择都是合乎逻辑的。

数组上的“直接” numpy函数与numpy数组函数

2 个答案: