“for”循环中的 i = i 1 和 i = 1 有什么区别？

Question

我今天发现了一件奇怪的事情，想知道是否有人可以阐明这里的区别是什么？

 import numpy as np

A = np.arange(12).reshape(4,3)
for a in A:
    a = a + 1

B = np.arange(12).reshape(4,3)
for b in B:
    b += 1

运行每个 for 循环后， A 没有改变，但是 B 已经为每个元素添加了一个。我实际上使用 B 版本写入 for 循环中的初始化 NumPy 数组。

原文由 Dammi 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

不同之处在于，一个修改数据结构本身（就地操作） b += 1 而另一个只是 重新分配 变量 a = a + 1 。

---

只是为了完整性：

x += y 并不总是 在进行就地操作，有（至少）三个例外：

• If x doesn’t implement an __iadd__ method then the x += y statement is just a shorthand for x = x + y .如果 x 类似于 int --- 就会出现这种情况。

• 如果 __iadd__ 返回 NotImplemented ，Python 回落到 x = x + y 。

• __iadd__ 方法理论上可以实施，但不能在适当的地方工作。不过，这样做真的很奇怪。

碰巧你的 b s 是 numpy.ndarray s 实现 __iadd__ 并返回它自己所以你的第二个循环修改原始数组。

您可以在 “模拟数字类型”的 Python 文档中 阅读更多相关信息。

These [ __i*__ ] methods are called to implement the augmented arithmetic assignments ( += , -= , *= , @= , /= , //= , %= , **= , <<= , >>= , &= ， ^= ， |= ）。这些方法应尝试就地执行操作（修改自身）并返回结果（可以是但不一定是自身）。如果未定义特定方法，则扩充赋值会回退到普通方法。例如，如果 x 是具有 __iadd__() 方法的类的实例，则 x += y 等同于 x = x.__iadd__(y) 。否则，考虑 x.__add__(y) 和 y.__radd__(x) e— ，与 — 的评估 x + y 。在某些情况下，扩充赋值会导致意外错误（请参阅 为什么 a_tuple[i] += ["item"] 在加法工作时引发异常？ ），但这种行为实际上是数据模型的一部分。

原文由 MSeifert 发布，翻译遵循 CC BY-SA 3.0 许可协议

Answer 2

在第一个示例中，您重新分配变量 a ，而在第二个示例中，您使用 += 运算符就地修改数据。

请参阅有关 7.2.1 的部分。增强赋值语句：

像 x += 1 这样的增强赋值表达式可以重写为 x = x + 1 以实现类似但不完全相同的效果。在增强版本中，x 仅被评估一次。 此外，在可能的情况下，实际操作就地执行，这意味着不是创建新对象并将其分配给目标，而是修改旧对象。

+= 接线员呼叫 __iadd__ 。此函数就地进行更改，并且只有在执行后，结果才会设置回您正在“应用” += 的对象。

__add__ 另一方面获取参数并返回它们的总和（不修改它们）。

原文由 Maroun 发布，翻译遵循 CC BY-SA 3.0 许可协议