python - 为什么我不能在 numpy 中使用 x.unique()，但是 x.sum() 或 x.mean() 可以工作？

Question

我正在学习 numpy，但是，我不明白，例如:

import numpy as np
ints = np.array([3,3,3,2,2,1,1,4,4])

ints.unique() # this won't work
np.unique(ints) # this works

但是，有些功能是双向的

ints.sum()
np.sum(ints)

我正在阅读 numpy 文档，属性 与 方法 之间有什么不同？ arributes 将返回一些内容以及 methods。

Answer 1

unique 与 sum 不同，是一个自由函数 仅，而不是一个类(准确地说是实例)<强>方法。两者的区别是

obj.foo()   # instance method, obj is implicitly passed to foo()
foo(obj)    # free function,   obj is explicity passed to foo()

看看here有关方法的不同变体的一些解释。我认为，在 NumPy 中，这主要是一个设计决定，但是某些函数成为自由函数是有一定原因的。我想到的一个原因是，与其他技术语言(例如 MATLAB)不同，numpy 数组可以是结构化的或非结构化的，并且可以灵活地包含不同类型的对象，例如

a = np.array([[1,2],[3,4]])        # structured array
b = np.array([[1,2],[3,4,5]])      # unstructured array
c = np.array([[1,2],["abc",True]]) # unstructured array with flexible data type

在这种情况下，必须使每个函数/方法都成为实例方法，会导致令人困惑的行为。即使 sum 函数对于结构化和非结构化数组的行为也有所不同

In [18]: a.sum() # sums all elements of the array
Out[18]: 10
In [19]: b.sum() # concatenates all elements of the array
Out[19]: [1, 2, 3, 4, 5]

相比之下，一些函数(例如unique)的应用范围要窄得多。例如，unique 仅适用于统一数据类型的结构化数组/缓冲区，并对数组的扁平(一维)版本进行操作。

numpy 数组的

属性通常会告诉您数组的底层数据类型、形状、维数、内存布局/步长和数据所有权，例如:

In [20]: a=np.random.rand(3,4)
In [21]: a.flags
Out[21]: 
    C_CONTIGUOUS : True
    F_CONTIGUOUS : False
    OWNDATA : True
    WRITEABLE : True
    ALIGNED : True
    UPDATEIFCOPY : False

In [22]: a.shape
Out[22]: (3, 4)

In [23]: a.dtype
Out[23]: dtype('float64')

都是属性，而不是数组方法，换句话说，它们是属性。