Question

今天，我发现我的代码有些奇怪，发现在某些情况下它会执行以下代码：

my_list = [0] + np.array([])

这导致my_list为以下内容：

array([], dtype=float64)

一开始我很困惑，比我理解的解释器要先将列表转换成一个numpy数组，然后再尝试广播操作：

>>> np.array([0]) + np.array([])
array([], dtype=float64)

我对此行为有疑问：

为什么要广播？
如果python抛出一个错误，至少对于转换和创建列表的特定情况消失吗？

感谢您的澄清！

Answer 1

首先：

如果python抛出错误，至少在这种情况下，列表会转换并消失，这会更好吗？

我认为不可能进行测试。根据{{3}}：

对于像b.__radd__(a)这样的反向操作，我们称为相应的ufunc。

这意味着使用[0] + np.array([])实际上会调用ufunc np.add([0], np.array([]))，它将类似数组的列表转换为数组，而没有机会决定操作数的大小。

所以广播是必然的。问题是，将形状(1,)和(0,)广播到(0,)是否理智。您可以这样考虑：标量总是广播，在大多数情况下1元素1d数组与标量一样好：

>>> np.add([0], [])
array([], dtype=float64)

>>> np.add(0, [])
array([], dtype=float64)

如果您以这种方式看待它，通常来说还是有道理的，尽管我同意这是令人惊讶的，尤其是非长度数组不会像这样广播。但这不是错误（对于功能而言只是一种有趣的情况）。

更确切地说，广播所发生的总是“尺寸为1的尺寸将广播”。类似于数组的[0]的形状为(1,)，np.array([])的形状为(0,)（与标量np.int64()的形状为{{1}相对） }！）。因此广播是在单例上发生的，结果的形状为()。

如果我们注入更多的单例尺寸，它将变得更加清晰：

(0,)

例如，在最后一种情况下，形状>>> ([0] + np.array([])).shape (0,) >>> ([[0]] + np.array([])).shape (1, 0) >>> ([[[0]]] + np.array([])).shape (1, 1, 0) >>> np.shape([[[0]]]) (1, 1, 1)将沿其最后一个维度很好地以1d数组进行广播，在这种情况下，结果的确应该为(1, 1, 1)。

python列表+空numpy数组=空numpy数组？

1 个答案: