当然，0d数组是标量的，但是Numpy似乎并不这么认为...我是否缺少某些内容？还是我只是误解了这个概念？
>>> foo = numpy.array(1.11111111111, numpy.float64)
>>> numpy.ndim(foo)
0
>>> numpy.isscalar(foo)
False
>>> foo.item()
1.11111111111
人们不应该为之苦思。最终对于个人的心理健康和寿命来说更好。
Numpy标量类型的奇怪情况是由于没有一种优雅而一致的方法将1x1矩阵降级为标量类型而产生的。即使从数学上讲它们是同一回事，但它们是由非常不同的代码处理的。
如果您一直在进行大量的科学编码，那么最终您希望max(a)可以在各种尺寸甚至标量的矩阵上工作。从数学上来说，这是完全明智的期望。但是，对于程序员而言，这意味着Numpy中出现标量的任何内容都应具有.shape和.ndim样式，因此至少ufunc不必对Numpy中21种可能的标量类型的输入进行显式类型检查。
另一方面，它们还应与确实对标量类型进行显式类型检查的现有Python库一起使用。这是一个难题，因为当将Numpy ndarray简化为标量后，它们必须单独更改其类型，并且如果不对所有访问进行检查，就无法知道是否发生了这种情况。实际上，按照标量类型标准使用该路线可能会使工作变得有点荒谬。
Numpy开发人员的解决方案是从ndarray和Python标量继承其自己的标量类型，以便所有标量也具有.shape，.ndim，.T等。1x1矩阵仍将存在，但其使用将是如果您知道要处理标量，则不愿这样做。尽管从理论上讲这应该可以正常工作，但偶尔您仍然可以看到一些油漆滚筒错过的地方，而丑陋的内部则暴露给所有人看：
>>> from numpy import *
>>> a = array(1)
>>> b = int_(1)
>>> a.ndim
0
>>> b.ndim
0
>>> a[...]
array(1)
>>> a[()]
1
>>> b[...]
array(1)
>>> b[()]
1
确实没有理由为什么a[...]也a[()]应该返回不同的东西，但是确实如此。有一些建议可以改变这一点，但是看起来他们忘了完成1x1阵列的工作。
一个潜在的更大且可能无法解决的问题是Numpy标量是不可变的。因此，从数学上将标量“喷”到ndarray，即将数组折叠成标量的伴随操作，是要实现的PITA。您实际上不能增长一个Numpy标量，即使它newaxis神秘地起作用，它也不能定义为ndarray ：
>>> b[0,1,2,3] = 1
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: 'numpy.int32' object does not support item assignment
>>> b[newaxis]
array([1])
在Matlab中，增大标量的大小是完全可以接受的，并且无需任何操作。在Numpy中，您必须在a = array(a)所有您认为有可能以标量开始并以数组结尾的地方保持震撼。我理解为什么Numpy必须采用这种方式才能与Python完美兼容，但这并不能改变许多新的切换器对此深感困惑的事实。有些人清楚地记忆着这种行为并最终坚持不懈，而另一些人则太遥远了，他们通常会留下一些深深的，无形的精神创伤，常常困扰着他们最纯真的梦想。这对所有人来说都是个丑陋的局面。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句