Numpy 数组和列表的多重赋值，一个奇怪的例子

Question

考虑多重赋值 x[0],y = y,x[0]。应用于以下四种情况中的每一种，都会给出四种不同的结果。

案例一：

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

给予

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

案例二：

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

给予

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

案例三：

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

给予

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

案例四：

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

给予

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

列表的多重赋值似乎比 Numpy 数组的多重赋值更聪明（自动通过临时变量）。

想法？

编辑：毕竟不是更聪明...

Answer 1

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

等于

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

正如@Scimonster 指出的那样，

When assigning into a Numpy array, it turns that into part of the Numpy array.

所以这是正常行为。

Answer 2

这里唯一令人惊讶的情况应该是 2 和 4：

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

给予

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

因为其他人只是交换数据类型，但保持相同的值。

使用 numpy 的不同之处在于 x[0] returns 视图，而不是副本。因此，即使在元组赋值中写出临时值也会显式失败：

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

因为 temp 是一个始终与 x[0] 相同的视图，而不是 x[0] 在那个时间点的值的副本。

为了使这个适用于 numpy 的情况，你应该使用 x[0],y = y,x[0].copy()

Multiple assignment with Numpy arrays and lists, a curious example