Різниця між a - = b та a = a - b у Python

Нещодавно я застосував це рішення для усереднення кожних N рядків матриці. Хоча рішення працює загалом, у мене були проблеми із застосуванням до масиву 7x1. Я помітив, що проблема полягає у використанні -=оператора. Щоб зробити невеликий приклад:

import numpy as np

a = np.array([1,2,3])
b = np.copy(a)

a[1:] -= a[:-1]
b[1:] = b[1:] - b[:-1]

print a
print b

який виводить:

[1 1 2]
[1 1 1]

Отже, у випадку масиву a -= bвиходить інший результат, ніж a = a - b. До цього часу я думав, що ці два шляхи абсолютно однакові. Яка різниця?

Як так, метод, про який я згадую для підсумовування кожного N рядка в матриці, працює, наприклад, для матриці 7x4, але не для масиву 7x1?

Примітка: використання операцій на місці над масивами NumPy, які ділять пам’ять, вже не є проблемою у версії 1.13.0 і далі (докладніше див. Тут ). Ці дві операції дадуть однаковий результат. Ця відповідь стосується лише попередніх версій NumPy.

Мутація масивів під час їх використання в обчисленнях може призвести до несподіваних результатів!

У прикладі у питанні віднімання з -=модифікує другий елемент, aа потім негайно використовує цей модифікований другий елемент в операції над третім елементом a.

Ось що відбувається з a[1:] -= a[:-1]кроком за кроком:

• a- це масив з даними [1, 2, 3].

• У нас є два погляди на ці дані: a[1:]є [2, 3]і a[:-1]є [1, 2].

• -=Починається віднімання на місці . Перший елемент a[:-1], 1, віднімається від першого елемента a[1:]. Це змінилося aна [1, 1, 3]. Тепер у нас a[1:]є такий вигляд даних [1, 3], і a[:-1]це перегляд даних [1, 1](другий елемент масиву aзмінено).

• a[:-1]є зараз, [1, 1]і NumPy тепер повинен відняти його другий елемент, який дорівнює 1 (більше не 2!), від другого елемента a[1:]. Це робить a[1:]погляд на цінності [1, 2].

• aтепер масив зі значеннями [1, 1, 2].

b[1:] = b[1:] - b[:-1]не має цієї проблеми, оскільки спочатку b[1:] - b[:-1]створює новий масив, а потім присвоює значення в цьому масиві b[1:]. Він не змінюється bпід час віднімання, тому подання b[1:]і b[:-1]не змінюються.

Загальна порада - уникати модифікації одного виду замість іншого, якщо вони перекриваються. Це включає в себе оператор -=, *=і т.д. , і з використанням outпараметра в універсальних функціях (наприклад , np.subtractі np.multiply) , щоб записати назад в один з масивів.

Внутрішньо різниця полягає в тому, що це:

a[1:] -= a[:-1]

еквівалентно цьому:

a[1:] = a[1:].__isub__(a[:-1])
a.__setitem__(slice(1, None, None), a.__getitem__(slice(1, None, None)).__isub__(a.__getitem__(slice(1, None, None)))

в той час як це:

b[1:] = b[1:] - b[:-1]

карти до цього:

b[1:] = b[1:].__sub__(b[:-1])
b.__setitem__(slice(1, None, None), b.__getitem__(slice(1, None, None)).__sub__(b.__getitem__(slice(1, None, None)))

У деяких випадках __sub__()і __isub__()працюють подібним чином. Але змінні об'єкти повинні мутувати і повертати себе при використанні __isub__(), тоді як вони повинні повертати новий об'єкт за допомогою __sub__().

Застосування операцій зрізу над об'єктами numpy створює їх перегляди, тому їх використання безпосередньо отримує доступ до пам'яті "оригінального" об'єкта.

У документах сказано:

Ідея доповненого призначення в Python полягає в тому, що це не просто простіший спосіб записати загальну практику зберігання результату двійкової операції в лівому операнді, а й спосіб для лівого операнда, про який йде мова знати, що вона повинна діяти `` сама по собі '', а не створювати модифіковану копію себе.

Як правило великого пальця, доповнене віднімання ( x-=y) є x.__isub__(y), по в -Місцеві операціях ЯКЩО це можливо, коли нормальне віднімання ( x = x-y) є x=x.__sub__(y). На незмінюваних об'єктах, таких як цілі числа, це еквівалентно. Але для таких змінних, як масиви або списки, як у вашому прикладі, це можуть бути різні речі.