用您班级的__mul__覆盖其他__rmul__

用您班级的__mul__覆盖其他__rmul__

NumPy

尊重您的

__rmul__

方法的最简单方法是设置

__array_priority__

：

class AbstractMatrix(object):    def __init__(self):        self.data = np.array([[1, 2],[3, 4]])    def __mul__(self, other):        return np.dot(self.data, other)    def __rmul__(self, other):        return np.dot(other, self.data)    __array_priority__ = 10000A = AbstractMatrix()B = np.array([[4, 5],[6, 7]])

这像预期的那样工作。

>>> B*Aarray([[19, 28],       [27, 40]])

问题是

NumPy

不尊重Python的“数字”数据模型。如果一个numpy数组是第一个参数，并且

numpy.ndarray.__mul__

不可能，那么它将尝试如下 *** 作：

result = np.empty(B.shape, dtype=object)for idx, item in np.ndenumerate(B):    result[idx] = A.__rmul__(item)

但是，如果第二个参数具有an

__array_priority__

并且仅比第一个参数高，则它 实际上 使用：

A.__rmul__(B)

---

但是，从Python
3.5（PEP-465）开始，

@

（

__matmul__

）运算符可以利用矩阵乘法：

>>> A = np.array([[1, 2],[3, 4]])>>> B = np.array([[4, 5],[6, 7]])>>> B @ Aarray([[19, 28],       [27, 40]])