我最近应用了this 解决方案来平均每 N 行矩阵。
尽管该解决方案通常有效，但在应用于 7x1 阵列时我遇到了问题。我注意到问题出在使用 -= 运算符时。
举个小例子：
import numpy as np
a = np.array([1,2,3])
b = np.copy(a)
a[1:] -= a[:-1]
b[1:] = b[1:] - b[:-1]
print a
print b
哪个输出：
[1 1 2]
[1 1 1]
因此，对于数组a -= b 产生的结果与a = a - b 不同。我一直认为这两种方式是完全一样的。有什么区别？
我提到的对矩阵中每 N 行求和的方法是如何起作用的，例如对于 7x4 矩阵而不是 7x1 数组？
【问题讨论】：
标签： python arrays numpy variable-assignment in-place
注意：在 1.13.0 以后的版本中，对共享内存的 NumPy 数组使用就地操作不再是问题（请参阅详细信息 here）。这两个操作将产生相同的结果。此答案仅适用于早期版本的 NumPy。
在计算中使用数组变异可能会导致意想不到的结果！
在问题的示例中，-= 的减法修改了a 的第二个元素，然后在a 的第三个元素的运算中立即使用修改的第二个元素。
以下是a[1:] -= a[:-1] 的操作步骤：
a 是包含数据[1, 2, 3] 的数组。
我们对此数据有两个视图：a[1:] 是 [2, 3]，a[:-1] 是 [1, 2]。
就地减法-= 开始。从a[1:] 的第一个元素中减去a[:-1] 的第一个元素1。这已将 a 修改为 [1, 1, 3]。现在我们有a[1:] 是数据[1, 3] 的视图，a[:-1] 是数据[1, 1] 的视图（数组a 的第二个元素已更改）。
a[:-1] 现在是 [1, 1]，NumPy 现在必须从 a[1:] 的第二个元素中减去它的第二个元素 ，即 1（不再是 2！）。这使得a[1:] 成为值[1, 2] 的视图。
a 现在是一个数组，其值为[1, 1, 2]。
b[1:] = b[1:] - b[:-1] 没有这个问题，因为b[1:] - b[:-1] 先创建了一个new 数组，然后将这个数组中的值赋给b[1:]。它不会在减法过程中修改b 本身，因此b[1:] 和b[:-1] 的视图不会改变。
一般建议是避免在一个视图与另一个视图重叠时就地修改它们。这包括运算符-=、*= 等，并在通用函数（如np.subtract 和np.multiply）中使用out 参数写回数组之一。
【讨论】：
在内部，区别在于：
a[1:] -= a[:-1]
等价于：
a[1:] = a[1:].__isub__(a[:-1])
a.__setitem__(slice(1, None, None), a.__getitem__(slice(1, None, None)).__isub__(a.__getitem__(slice(1, None, None)))
此时：
b[1:] = b[1:] - b[:-1]
映射到这个：
b[1:] = b[1:].__sub__(b[:-1])
b.__setitem__(slice(1, None, None), b.__getitem__(slice(1, None, None)).__sub__(b.__getitem__(slice(1, None, None)))
在某些情况下，__sub__() 和 __isub__() 的工作方式类似。但是可变对象在使用__isub__()时应该发生变异并返回自己，而它们应该使用__sub__()返回一个新对象。
对 numpy 对象应用切片操作会在它们上创建视图，因此使用它们会直接访问“原始”对象的内存。
【讨论】：
The docs 说：
Python 中的增强赋值背后的想法是它不是 只是一种更简单的方法来编写存储 其左侧操作数中的二元运算的结果，但也是 有问题的左操作数知道它应该 对自身进行操作，而不是创建一个修改过的副本 自己。
作为一个经验法则，增强减法 (x-=y) 是 x.__isub__(y)，对于 IN-place 操作 IF 可能，当正常减法 (x = x-y)是x=x.__sub__(y)。在像整数这样的非可变对象上它是等价的。但是对于像数组或列表这样的可变对象，如您的示例所示，它们可能是非常不同的东西。
【讨论】：