python编程中的小问题汇总

前言

本文记录了我在python编程中遇到的各种小问题，持续更新。

1. x = x + 1 VS x += 1

辨析下面这两段代码：

>>> x = y = [1, 2, 3, 4]
>>> x += [4]
>>> x
[1, 2, 3, 4, 4]
>>> y
[1, 2, 3, 4, 4]

>>> x = y = [1, 2, 3, 4]
>>> x = x + [4]
>>> x
[1, 2, 3, 4, 4]
>>> y
[1, 2, 3, 4]

1）‘+=’ 调用 in-place 的加法，即 iadd 方法。此方法采用两个参数，但是原地进行更改，修改了第一个参数的内容（即x被修改）。由于x和y都指向相同的Pyobject，因此它们都是相同的。

2）x = x + [4] 调用 add 方法，相当于 x.add([4])，并没有原地进行更改或添加值，它会创建一个新列表[1, 2, 3, 4, 4]，该列表指向了x，而y仍指向旧列表[1, 2, 3, 4]，因此它们不相同。

2. np.matmul(@) VS np.dot VS np.multiply(*)

np.matmul(a, b)是矩阵乘法，运算符重载为@；np.dot(a, b)是点积；np.multiply(a, b)是逐元素乘法，运算符重载为*

关于三者的辨析，直接上结论：

1）如果a或者b有一个是标量，用np.multiply()或者*，np.dot()可以但不推荐，np.matmul()不可以；

2）如果a、b是向量，则使用np.dot()向量内积；

3）如果a、b是二维array（矩阵），则使用np.matmul()矩阵乘法；

4）a、b是二维及以下array的情况下，np.matmul()与np.dot()效果相同；

5）a、b是大于二维array的情况下，如下例：

a = np.array([i for i in range(120)]).reshape([2,3,4,5])
b = np.array([i for i in range(120)]).reshape([2,3,5,4])

>>> np.matmul(a,b).shape
(2, 3, 4, 4)>>> np.dot(a,b).shape
(2, 3, 4, 2, 3, 4)>>> np.matmul(b,a).shape
(2, 3, 5, 5)>>> np.dot(a,b).shape
(2, 3, 5, 2, 3, 5)

重点是观察结果的维度不同，np.matmul(a,b)的维度为(2, 3, 4, 4)，np.dot(a,b)的维度为(2, 3, 4, 2, 3, 4)，这是因为np.matmul()遵循了矩阵乘法的维度规则(n,k),(k,m)->(n,m)，a的最后一个维度5和b的倒数第二个维度5消掉。

具体的运算，用一个简单点的例子说明：

a = np.array([i for i in range(12)]).reshape([2,2,3])
b = np.array([i for i in range(12)]).reshape([2,3,2])
"""
a
[[[ 0  1  2][ 3  4  5]][[ 6  7  8][ 9 10 11]]]
b
[[[ 0  1][ 2  3][ 4  5]][[ 6  7][ 8  9][10 11]]]
""">>> np.matmul(a,b)
array([[[ 10,  13],[ 28,  40]],[[172, 193],[244, 274]]])>>> np.dot(a,b)
array([[[[ 10,  13],[ 28,  31]],[[ 28,  40],[100, 112]]],[[[ 46,  67],[172, 193]],[[ 64,  94],[244, 274]]]])