Несколько присвоений с массивами и списками Numpy, любопытный пример

Question

Рассмотрите несколько присвоений x[0],y = y,x[0]. Применительно к каждому из четырех нижеприведенных случаев это дает четыре разных результата.

• Случай 1:

  x = [[1,2], [3,4]] 
  y = [5,6] 
  

  дает

  x = [[5,6], [3,4]] 
  y = [1,2] 
  

• Случай 2:

  x = np.array([[1,2], [3,4]]) 
  y = [5,6] 
  

  дает

  x = array([[5,6], [3,4]]) 
  y = array([5,6]) 
  

• Случай 3:

  x = [[1,2], [3,4]] 
  y = np.array([5,6]) 
  

  дает

  x = [array([5,6]), [3,4]] 
  y = [1,2] 
  

• Случай 4:

  x = np.array([[1,2], [3,4]]) 
  y = np.array([5,6]) 
  

  дает

  x = array([[5,6], [3,4]]) 
  y = array([5,6]) 
  

Похоже, что множественное назначение списков более умное (проходящее через временную переменную автоматически), чем множественное назначение массивов Numpy.

Мысли?

EDIT: Это не умнее Afterall ...

Answer 1

Единственные удивительные случаи здесь должны быть 2 & 4:

x = np.array([[1,2], [3,4]]) 
y = np.array([5,6]) # or [5, 6] 

давая

x = array([[5,6], [3,4]]) 
y = array([5,6]) # where did the 1 and 2 go? 

Так как другие просто поменяв вокруг типов данных, но сохраняя то же значение.

Что изменилось при использовании numpy, так это то, что x[0] возвращает вид, а не копию.Таким образом, даже выписывая временный в назначении кортежа явно не удается:

temp = x[0] 
x[0] = y 
y = temp 

Поскольку temp вид, что всегда такой же, как x[0], а не копию значения x[0] в данный момент времени.

Чтобы сделать эту работу для Numpy случае, вы должны использовать x[0],y = y,x[0].copy()

Answer 2

x[0],y = y,x[0] 

равна

t = x[0] 
x[0] = y 
y = t 

Как @Scimonster отметил,

При назначении в массив Numpy, он превращает это в часть массива Numpy .

Так что это нормальное поведение.