与numpy对象交互的“正确”方式

Question

我已经断断续续地使用科学python（viafrom pylab import *）作为免费的Matlab替代品，主要用于化学工程方面的工作（我是IPython笔记本的粉丝）。我一直觉得奇怪的是，与一个对象交互通常有两种不同的方式。例如，如果我有一个数组，我可以用两种方法来判断它的维数：

a = array([1,2,3],[2,3,4])

有一种“Matlab”方法：

shape(a)

或者我可以通过键入以下内容来找到：

a.shape

这似乎与Python的禅相矛盾：“应该有一种——最好只有一种——显而易见的方法。”

我只是想知道为什么做同一件事有多种方法，哪种练习对语言更基本/更自然，从长远来看更适合使用。在

Answer 1

这主要归结为一个偏好问题，但有一些差异，你可能想知道。首先，您应该使用numpy.shape(a)或np.shape(a)，而不是shape(a)，这是因为“名称空间是一个非常好的主意，让我们做更多这些！”但实际上，numpy有几个名称，您可能会在其他python模块中找到，即array在python stdlib中显示为array.array，numpy.array和{}，所以为了避免混淆其他人（和您自己），只需继续并避免导入整个numpy名称空间。在

除此之外，numpy.shape和大多数其他类似的函数，只需在参数上查找一个shape属性/方法，如果找不到，则尝试将参数转换为数组。代码如下：

def shape(a):
    try:
        result = a.shape
    except AttributeError:
        result = asarray(a).shape
    return result

如果你想要一个“类似数组”的对象的形状，这很有用，你会注意到大多数numpy函数都有“类似数组”的参数。但如果你做的事情像：

^{pr2}$

除此之外，它们几乎是一样的。在

Answer 2

最好使用这种方法。毕竟，shape的实现无论如何都要服从于方法（来自/numpy/core/fromnumeric.py）：

def shape(a):
    try:
        result = a.shape
    except AttributeError:
        result = asarray(a).shape
    return result

我想很多pylab的东西都是为了帮助那些来自MATLAB的人简化过渡。习惯它吧，因为有很多新的例子，嗯，不是很像Python。在

当你越来越习惯python和matplotlib时，你很可能会想放弃from pylab import *，开始编写更多的numpythonic代码，而不是MATLAB风格的工作。在