Numpy 为什么把a+=b和a=a+b视为不同的操作

在使用Numpy时，我们会遇到一个问题：为什么Numpy把a+=b和a=a+b视为不同的操作？在本文中，我们将深入研究这个问题，并通过示例说明。

阅读更多：Numpy 教程

等式操作的区别

在Numpy中，如果我们执行以下操作：

import numpy as np

a = np.zeros((3,3))
b = np.ones((3,3))
a += b

则a的值将变成一个3×3数组，其值均为1。

然而，如果我们执行以下操作：

import numpy as np

a = np.zeros((3,3))
b = np.ones((3,3))
a = a + b

则a的值将变成一个3×3数组，其值均为1，但这个调用会返回一个不同的数组。

这种行为的原因是，Numpy在执行上述操作时，在内部会创建一个临时数组，用于保存a+b的结果，并在内部计算中使用该临时数组。然后，将a中的值更新为临时数组中的值。这种行为可能会影响性能，因此，Numpy要求在执行类似于a=a+b的操作时，创建一个新的数组，并将其分配给a，而不是在内部使用临时数组。

这里有一个示例，在这个示例中，我们定义了两个 10000×10000 的数组A和B，并计算它们的和。在使用+=操作符时，Numpy几乎可以立即返回结果，但是，使用=操作符时，Numpy则需要显示地创建和分配一个新的数组，并将B的值复制到该数组中。

import numpy as np
import time

# 使用+=进行计算
a = np.zeros((10000,10000))
b = np.ones((10000,10000))

t1 = time.time()
a += b
t2 = time.time()

print("Using += operator: "+str(t2-t1)+" seconds")

# 使用=进行计算
a = np.zeros((10000,10000))
b = np.ones((10000,10000))

t1 = time.time()
a = a + b
t2 = time.time()

print("Using = operator: "+str(t2-t1)+" seconds")

赋值问题

当然，这种行为也会导致其他问题。例如，在Numpy中，如果我们使用=操作符进行赋值，则赋值的是这个对象的一个新副本，而不是地址。这意味着，如果我们更改a，则不会更改b，如下所示：

import numpy as np

a = np.zeros((3,3))
b = a

a += np.ones((3,3))

print(a)
print(b)

这段代码的输出是：

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

然而，如果我们使用=进行赋值操作，则无论更改a还是b都会更改另一个变量的值，如下所示：

import numpy as np

a = np.zeros((3,3))
b = a

a = np.ones((3,3))

print(a)
print(b)

这段代码的输出是：

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

可变对象的问题

注意，在Numpy中，不可变对象的行为是不同的。例如，如果我们执行以下操作：

a = 1
b = a
a += 1

print(a)
print(b)

这段代码的输出是：

2
1

这是因为在Python中，整数是不可变对象，因此a += 1的结果是创建一个新的整数对象，而不是在原始对象上进行操作。

总结

Numpy在处理a+=b和a=a+b时有所不同，是因为后者需要显示地创建和分配一个新的数组，并将B的值复制到该数组中，可能会影响性能。另外，在Numpy中，使用=进行赋值的行为与Python中不可变对象的行为相同，但在可变对象中则不同。