Question

从某种意义上说，它已经有an excellent answer：

一个人不应该为之苦思。最终对个人的心理健康和长寿更好。

精神健康和长寿固然很好，但是这个人的骄傲又遭受了另一次打击，试图变得狡猾而残酷地被麻木拒绝：

考虑以下我们从一些字节数据开始的地方：

a = np.linspace(0,255,6, dtype=np.uint8)
a
# array([  0,  51, 102, 153, 204, 255], dtype=uint8)

让我们假设我们要添加一些内容并提升类型，因此它不会环绕。对于标量，这不起作用：

b = np.uint16(1)

a + b
# array([  1,  52, 103, 154, 205,   0], dtype=uint8)

但是使用数组，它可以做到：

c = np.ones(1, np.uint16)

a + c
# array([  1,  52, 103, 154, 205, 256], dtype=uint16)

所以我想让我们做一个数组。

b[...]
# array(1, dtype=uint16)
np.isscalar(b[...])
# False

但是，las：

a + b[...]
# array([  1,  52, 103, 154, 205,   0], dtype=uint8)

为什么这个0d数组在这里表现像标量？

Answer 1

https://docs.scipy.org/doc/numpy/reference/ufuncs.html#casting-rules

最后一段：

混合标量数组操作使用一组不同的强制转换规则，这些规则确保标量不能“上载”数组，除非标量具有根本不同的数据类型（即，在数据类型层次结构中的不同层次结构下））比数组。此规则使您可以在代码中使用标量常量（作为Python类型，在ufunc中进行相应地解释），而不必担心标量常量的精度是否会导致大型（小型精度）数组上的转换。

我的意思是以下表达式具有相同的作用：

In [56]: np.add(a,1)                                                                 
Out[56]: array([  1,  52, 103, 154, 205,   0], dtype=uint8)
In [57]: np.add(a,np.array(1))                                                       
Out[57]: array([  1,  52, 103, 154, 205,   0], dtype=uint8)

要做到这一点，0d不能“向上转换”。但是列表的行为类似于一维数组，并且会“上传”

In [60]: np.add(a,[1])                                                               
Out[60]: array([  1,  52, 103, 154, 205, 256])
In [61]: np.add(a,np.array([1]))                                                     
Out[61]: array([  1,  52, 103, 154, 205, 256])

https://docs.scipy.org/doc/numpy/reference/arrays.scalars.html

数组标量包括np.uint8(1)等。

数组标量对象的数组优先级为NPY_SCALAR_PRIORITY（-1,000,000.0）。

In [67]: np.uint8(1).__array_priority__                                              
Out[67]: -1000000.0
In [68]: np.array(1,'uint8').__array_priority__                                      
Out[68]: 0.0

数组标量具有与数组完全相同的方法。这些方法的默认行为是在内部将标量转换为等效的0维数组并调用相应的数组方法。

np.isscalar可以：

        (isinstance(num, generic)
        or type(num) in ScalarType
        or isinstance(num, numbers.Number))

np.isscalar建议使用np.ndim(x) == 0。这首先检查一个.ndim属性（0d数组就是这种情况），然后，尝试np.asarray(x).ndim。因此，从这个意义上讲，任何可以制成0d数组的内容都称为“标量”。可能范围太广，因为字典的数量为：npdim({})。

为什么将Numpy中的0d数组视为标量？

1 个答案: