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，那么它将尝试如下操作：
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]])
