使用 __add__ 自定义类以添加 NumPy 数组

我有一个自定义类实现 __add__ 和 __radd__ 作为

import numpy

class Foo(object):

    def __init__(self, val):
        self.val = val

    def __add__(self, other):
        print('__add__')
        print('type self = %s' % type(self))
        print('type other = %s' % type(other))
        return self.val + other

    def __radd__(self, other):
        print('__radd__')
        print('type self = %s' % type(self))
        print('type other = %s' % type(other))
        return other + self.val

我首先测试 __add__

r1 = Foo(numpy.arange(3)) + numpy.arange(3,6)
print('type results = %s' % type(r1))
print('result = {}'.format(r1))

它会带来预期的结果

>>> __add__
>>> type self = <class '__main__.Foo'>
>>> type other = <type 'numpy.ndarray'>
>>> type results = <type 'numpy.ndarray'>
>>> result = [3  5  7]

但是，测试 __radd__

r2 = numpy.arange(3) + Foo(numpy.arange(3,6))
print('type results = %s' % type(r2))
print('result = {}'.format(r2))

I get

>>> __radd__
>>> type self = <class '__main__.Foo'>
>>> type other = <type 'int'>
>>> __radd__
>>> type self = <class '__main__.Foo'>
>>> type other = <type 'int'>
>>> __radd__
>>> type self = <class '__main__.Foo'>
>>> type other = <type 'int'>
>>> type results = <type 'numpy.ndarray'>
>>> result = [array([3, 4, 5]) array([4, 5, 6]) array([5, 6, 7])]

这对我来说没有任何意义。 NumPy 是否会为任意对象重载 __add__ ，然后该对象的优先级高于我的 __radd__ ？如果是的话，他们为什么要这么做？另外，我怎样才能避免这种情况，我真的希望能够在左侧添加带有 NumPy 数组的自定义类。谢谢。

这被评论隐藏了，但应该是答案。

默认情况下，Numpy 操作在每个元素的基础上进行，获取任意对象，然后尝试按元素执行操作（根据广播规则）。

例如，这意味着给定

class N:
    def __init__(self, x):
        self.x = x

    def __add__(self, other):
        return self.x + other

    def __radd__(self, other):
        return other + self.x

由于Python的运算符解析

N(3) + np.array([1, 2, 3])

将到达上述__add__ with N(3)整个数组为other一次，然后执行常规的 Numpy 加法。

另一方面

np.array([1, 2, 3]) + N(3)

将成功进入 Numpy 的 ufunc（在本例中为运算符），因为它们将任意对象作为“其他”，然后尝试连续执行：

1 + N(3)
2 + N(3)
3 + N(3)

这意味着__add__以上将被调用 3 次而不是一次，每个元素调用一次，显着减慢操作速度。要禁用此行为，并进行Numpy提出一个NotImplementedError当采取N对象从而允许 RHS 过载radd要接管，请将以下内容添加到类的主体中：

class N:
    ...
    __numpy_ufunc__ = None # Numpy up to 13.0
    __array_ufunc__ = None # Numpy 13.0 and above

如果向后兼容性不是问题，则只需要第二个。