Разница между a = b и a = a - b в Python

Недавно я применил это решение для усреднения каждых N строк матрицы. Хотя решение работает вообще, у меня были проблемы при применении к массиву 7x1. Я заметил, что проблема заключается в использовании оператора -=. Чтобы сделать небольшой пример:

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

который выводит:

[1 1 2]
[1 1 1]

Итак, в случае массива a -= b получается другой результат, чем a = a - b. Я думал до сих пор, что эти два пути точно такие же. В чем разница?

Почему метод, который я упомянул для суммирования каждых N строк в матрице, работает, например. для матрицы 7x4, но не для массива 7x1?

Ответ 1

Примечание: использование операций на месте в массивах NumPy, которые совместно используют память, больше не является проблемой в версии 1.13.0 (см. подробности здесь). Эти две операции приведут к такому же результату. Этот ответ применим только к более ранним версиям NumPy.

Мутирующие массивы, когда они используются в вычислениях, могут привести к неожиданным результатам!

В примере в вопросе вычитание с помощью -= изменяет второй элемент a и затем немедленно использует этот модифицированный второй элемент в операции над третьим элементом a.

Вот что происходит с a[1:] -= a[:-1] шаг за шагом:

a - это массив с данными [1, 2, 3].
У нас есть два представления по этим данным: a[1:] - [2, 3], а a[:-1] - [1, 2].
Начинается вычитание на месте -=. Первый элемент a[:-1], 1, вычитается из первого элемента a[1:]. Это изменило a на [1, 1, 3]. Теперь мы имеем, что a[1:] представляет собой представление данных [1, 3], а a[:-1] - это представление данных [1, 1] (второй элемент массива a был изменен).
a[:-1] теперь [1, 1], а NumPy теперь должен вычитать свой второй элемент, который уже 1 (не 2 больше!) из второго элемента a[1:]. Это делает a[1:] вид значений [1, 2].
a теперь представляет собой массив со значениями [1, 1, 2].

b[1:] = b[1:] - b[:-1] не имеет этой проблемы, потому что b[1:] - b[:-1] сначала создает новый массив, а затем присваивает значения в этом массиве b[1:]. Он не изменяет сам b во время вычитания, поэтому представления b[1:] и b[:-1] не изменяются.

Общий совет - избегать изменения одного вида в другом месте, если они перекрываются. Сюда входят операторы -=, *= и т.д. И использование параметра out в универсальных функциях (например, np.subtract и np.multiply) для записи обратно в один из массивов.

Ответ 2

Внутри различие состоит в том, что это:

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

эквивалентно этому:

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 то время как это:

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

отображает следующее:

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)))

В некоторых случаях, __sub__() и __isub__() работают аналогичным образом. Но изменяемые объекты должны мутировать и возвращаться при использовании __isub__(), в то время как они должны возвращать новый объект с помощью __sub__().

Применение операций среза на объектах numpy создает на них представления, поэтому их использование напрямую обращается к памяти "оригинального" объекта.

Ответ 3

Документы говорят:

Идея расширенного назначения в Python заключается в том, что это не просто более простой способ написать обычную практику хранения результат двоичной операции в ее левом операнде, но также и для левого операнда, о котором идет речь, чтобы знать, что он должен действовать "на себя", а не создавать модифицированную копию сам по себе.

В качестве правила большого пальца добавленная субтракция (x-=y) равна x.__isub__(y), для операции IN -place IF, когда нормальное выражение (x = x-y) x=x.__sub__(y). На не изменяемых объектах, таких как целые, это эквивалентно. Но для изменчивых, таких как массивы или списки, как в вашем примере, они могут быть очень разными.