NEP 16 — 用于识别“鸭子数组”的抽象基类#

作者:

Nathaniel J. Smith <njs@pobox.com>

状态:

已撤回

类型:

标准跟踪

创建:

2018-03-06

决议:

numpy/numpy#12174

注意

此 NEP 已被撤回,取而代之的是 NEP 22 中描述的基于协议的方法。

摘要#

我们建议添加一个抽象基类 AbstractArray,以便第三方类可以声明其“像”ndarray一样工作的能力,以及一个 asabstractarray 函数,该函数的功能类似于 asarray,但它会将 AbstractArray 实例原样传递。

详细描述#

NumPy 和第三方包中的许多函数都以一些类似以下的代码开头:

def myfunc(a, b):
    a = np.asarray(a)
    b = np.asarray(b)
    ...

这确保了 abnp.ndarray 对象,因此 myfunc 可以继续假设它们在语义上(在 Python 层面)以及在存储方式上(在 C 层面)都像 ndarray 一样工作。但是,许多这些函数仅在 Python 层面使用数组,这意味着它们实际上并不需要 ndarray 对象本身:它们也可以与任何“像”ndarray 一样的 Python 对象一起工作,例如稀疏数组、dask 的延迟数组或 xarray 的标记数组。

但是,目前,这些库无法表达其对象可以像 ndarray 一样工作,并且像 myfunc 这样的函数也无法表达它们对任何像 ndarray 一样工作的对象都感到满意。此 NEP 的目的是提供这两个功能。

有时人们建议为此目的使用 np.asanyarray,但不幸的是,它的语义正好相反:它保证它返回的对象使用与 ndarray 相同的内存布局,但完全不告诉你它的语义,这使得在实践中基本上无法安全地使用它。实际上,NumPy 附带的两个 ndarray 子类 - np.matrixnp.ma.masked_array - 确实具有不兼容的语义,如果将它们传递给像 myfunc 这样的函数,该函数没有将其作为特殊情况进行检查,那么它可能会静默地返回不正确的结果。

声明对象可以像数组一样工作#

我们可以使用两种基本方法来检查对象是否像数组一样工作。我们可以检查类上的特殊属性:

def quacks_like_array(obj):
    return bool(getattr(type(obj), "__quacks_like_array__", False))

或者,我们可以定义一个抽象基类 (ABC)

def quacks_like_array(obj):
    return isinstance(obj, AbstractArray)

如果你查看 ABC 的工作原理,这实际上等同于维护一个已声明为实现 AbstractArray 接口的类型的全局集合,然后检查其成员资格。

在这两者之间,ABC 方法似乎具有许多优势:

  • 这是 Python 的标准,“一种显而易见的方式”来做到这一点。

  • ABC 可以被内省(例如,help(np.AbstractArray) 会做一些有用的事情)。

  • ABC 可以提供有用的混合方法。

  • ABC 与其他功能集成,如 mypy 类型检查、functools.singledispatch 等。

一个显而易见的事情是检查此选择是否会影响速度。在 CPython 3.7 预发布版(修订版 c4d77a661138d,自编译,无 PGO)上使用附带的基准测试脚本,在运行 Linux 的 Thinkpad T450s 上,我们发现:

np.asarray(ndarray_obj)      330 ns
np.asarray([])              1400 ns

Attribute check, success      80 ns
Attribute check, failure      80 ns

ABC, success via subclass    340 ns
ABC, success via register()  700 ns
ABC, failure                 370 ns

注释

  • 前两行包含在内是为了将其他行放在上下文中。

  • 使用 3.7 是因为 getattr 和 ABC 在此版本中都获得了大量优化,并且更能代表 Python 的长期未来。(失败的 getattr 不一定会再构造异常对象,并且 ABC 已在 C 中重新实现。)

  • “成功”行是指 quacks_like_array 将返回 True 的情况。“失败”行是指它将返回 False 的情况。

  • ABC 的第一个测量值是像这样定义的子类:

    class MyArray(AbstractArray):
        ...
    

    第二个是针对像这样定义的子类:

    class MyArray:
        ...
    
    AbstractArray.register(MyArray)
    

    我不知道为什么它们之间存在如此大的差异。

在实践中,无论哪种方式,我们都只会在首先检查诸如 ndarraylist 等众所周知的类型之后,才进行完整测试。NumPy 目前就是这样检查其他双下划线属性的,同样的想法也适用于这两种方法。因此,这些数字不会影响常见情况,只会影响我们实际拥有 AbstractArray 或其他最终将通过 __array____array_interface__ 或最终成为对象数组的第三方对象的情况。

因此,总而言之,使用 ABC 会比使用属性稍微慢一些,但这不会影响最常见的路径,并且速度下降的幅度相当小(在已经花费更长时间的操作上大约 250 ns)。此外,我们还可以进一步优化它(例如,通过维护一个已知是 AbstractArray 子类的类型的微型 LRU 缓存,假设大多数代码一次只会使用一到两种这样的类型),并且不清楚这是否重要 - 如果 asarray 无操作直通的速度成为配置文件中出现的瓶颈,那么我们可能已经使它们更快了!(这很容易快速解决,但我们没有这样做。)

鉴于 ABC 的语义和可用性优势,这似乎是一个可以接受的权衡。

asabstractarray 的规范#

给定 AbstractArrayasabstractarray 的定义很简单:

def asabstractarray(a, dtype=None):
    if isinstance(a, AbstractArray):
        if dtype is not None and dtype != a.dtype:
            return a.astype(dtype)
        return a
    return asarray(a, dtype=dtype)

需要注意的事项

  • asarray 也接受 order= 参数,但我们在这里没有包含它,因为它与内存表示的细节有关,而此函数的重点是你使用它来声明你不在乎内存表示的细节。

  • 使用 astype 方法允许 a 对象决定如何为其特定类型实现强制转换。

  • 为了与 asarray 完全兼容,当 dtype 已经正确时,我们会跳过调用 astype。比较:

    >>> a = np.arange(10)
    
    # astype() always returns a view:
    >>> a.astype(a.dtype) is a
    False
    
    # asarray() returns the original object if possible:
    >>> np.asarray(a, dtype=a.dtype) is a
    True
    

如果你继承自 AbstractArray,你到底在承诺什么?#

这可能会随着时间的推移而得到改进。当然,理想情况是你的类应该与真正的 ndarray 无法区分,但除了用户的期望之外,没有任何东西可以强制执行这一点。在实践中,声明你的类实现了 AbstractArray 接口仅仅意味着它将开始通过 asabstractarray 传递,因此通过对其进行子类化,你就是在说,如果某些代码适用于 ndarray 但对你的类不起作用,那么你愿意接受对此的错误报告。

首先,我们应该将 __array_ufunc__ 声明为抽象方法,并将 NDArrayOperatorsMixin 方法作为混合方法添加。

astype 声明为 @abstractmethod 也许有意义,因为它被 asabstractarray 使用。我们可能还想继续添加一些基本属性,如 ndimshapedtype

添加新的抽象方法会有点棘手,因为 ABC 在子类化时会强制执行这些方法;因此,简单地添加一个新的 @abstractmethod 将是一个向后兼容性中断。如果这成为问题,那么我们可以使用一些技巧来实现一个 @upcoming_abstractmethod 装饰器,如果缺少该方法,它只会发出警告,并将其视为常规弃用周期。(在这种情况下,我们要弃用的是“对缺少功能 X 的抽象数组的支持”。)

命名#

ABC 的名称并不重要,因为它只会很少被引用,并且在相对特殊的情况下才会被引用。函数的名称非常重要,因为大多数现有的 asarray 实例都应该用它替换,并且将来每个人都应该默认使用它,除非他们有使用 asarray 而不是它的特定原因。这表明它的名称确实应该比 asarray 更短且更容易记忆……这很难。我在此草案中使用了 asabstractarray,但我并不满意,因为它太长了,人们不太可能在没有无休止的劝告的情况下养成使用它的习惯。

一种选择是实际上更改asarray的语义,以便直接传递AbstractArray对象而无需更改。但我担心可能有很多代码在调用asarray,然后将结果传递给某些不做任何进一步类型检查的C函数(因为它知道它的调用者已经使用了asarray)。如果我们允许asarray返回AbstractArray对象,然后有人调用这些C包装器之一并将一个AbstractArray对象(例如稀疏数组)传递给它,那么他们将得到一个段错误。现在,在相同的情况下,asarray将改为调用对象的__array__方法,或使用缓冲区接口创建视图,或传递一个具有对象数据类型的数组,或引发错误,或类似的操作。可能在大多数情况下,这些结果都不是真正想要的,所以也许改为产生段错误是可以的?但这是危险的,因为我们不知道此类代码有多普遍。另一方面,如果我们从头开始,这可能是理想的解决方案。

我们不能使用asanyarrayarray,因为它们已经被使用了。

还有其他想法吗?np.castnp.coerce

实现#

  1. NDArrayOperatorsMixin重命名为AbstractArray(保留一个别名以保持向后兼容性)并将其设为ABC。

  2. 添加asabstractarray(或我们最终将它命名为什么),可能还有一个C API等价物。

  3. 开始将NumPy内部函数迁移到在适当的地方使用asabstractarray

向后兼容性#

这纯粹是一个新功能,因此没有兼容性问题。(除非我们决定更改asarray本身的语义。)

被拒绝的替代方案#

一个提出的建议是为数组接口的不同子集定义多个抽象类。此提案中没有任何内容阻止NumPy或第三方将来这样做,但很难提前猜测哪些子集有用。此外,“完整的ndarray接口”是现有库期望(因为它们与实际的ndarrays一起工作)并测试(因为它们使用实际的ndarrays进行测试)的东西,因此它是迄今为止最容易开始的地方。

附录:基准脚本#

import perf
import abc
import numpy as np

class NotArray:
    pass

class AttrArray:
    __array_implementer__ = True

class ArrayBase(abc.ABC):
    pass

class ABCArray1(ArrayBase):
    pass

class ABCArray2:
    pass

ArrayBase.register(ABCArray2)

not_array = NotArray()
attr_array = AttrArray()
abc_array_1 = ABCArray1()
abc_array_2 = ABCArray2()

# Make sure ABC cache is primed
isinstance(not_array, ArrayBase)
isinstance(abc_array_1, ArrayBase)
isinstance(abc_array_2, ArrayBase)

runner = perf.Runner()
def t(name, statement):
    runner.timeit(name, statement, globals=globals())

t("np.asarray([])", "np.asarray([])")
arrobj = np.array([])
t("np.asarray(arrobj)", "np.asarray(arrobj)")

t("attr, False",
  "getattr(not_array, '__array_implementer__', False)")
t("attr, True",
  "getattr(attr_array, '__array_implementer__', False)")

t("ABC, False", "isinstance(not_array, ArrayBase)")
t("ABC, True, via inheritance", "isinstance(abc_array_1, ArrayBase)")
t("ABC, True, via register", "isinstance(abc_array_2, ArrayBase)")