NEP 16 — 一个用于识别“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

创建日期:

2018-03-06

解决方案:

numpy/numpy#12174

注意

本 NEP 已撤回,转而采用 NEP 22 — NumPy 数组的鸭子类型——高级概述 中描述的基于协议的方法。

摘要#

我们提议添加一个抽象基类 AbstractArray,以便第三方类可以声明它们“像” ndarray 一样行为的能力,并添加一个 asabstractarray 函数,其功能与 asarray 类似,不同之处在于它会直接传递 AbstractArray 实例而不作更改。

详细描述#

NumPy 和第三方包中的许多函数都以类似如下的代码开头:

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)以及内存存储方式上(在 C 层面)都像 ndarray 一样。但是,这些函数中有许多只在 Python 层面处理数组,这意味着它们实际上不需要 严格意义上的 ndarray 对象:它们可以很好地处理任何“像” ndarray 的 Python 对象,例如稀疏数组、dask 的惰性数组或 xarray 的带标签数组。

然而,目前,这些库无法表达其对象可以像 ndarray 一样行为,函数如 myfunc 也无法表达它们乐于接受任何像 ndarray 的对象。本 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,但不幸的是其语义完全相反:它保证返回的对象使用与 ndarray 相同的内存布局,但完全不告诉你其语义,这使得在实践中安全使用它几乎不可能。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,如果它们被传递给一个像 myfunc 这样不作为特殊情况检查它们的函数,那么它可能会静默返回不正确的结果。

声明一个对象可以像数组一样行为#

我们可以用两种基本方法来检查一个对象是否像数组一样行为。我们可以检查类上的一个特殊属性:

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)

如果你了解 ABCs 的工作原理,这本质上等同于维护一个已声明实现 AbstractArray 接口的类型全局集合,然后检查其成员资格。

在这两者之间,ABC 方法似乎具有多项优势:

  • 这是 Python 的标准,“显而易见”的做法。

  • ABC 可以自省(例如 help(np.AbstractArray) 会做一些有用的事情)。

  • ABC 可以提供有用的混入方法(mixin methods)。

  • ABC 与 mypy 类型检查、functools.singledispatch 等其他功能集成。

一个显而易见的检查是这个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,在运行 Linux 的 Thinkpad T450s 上使用附带的基准测试脚本,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

注意事项

  • 前两行用于将其他行置于上下文中。

  • 这里使用 3.7 是因为 getattr 和 ABCs 在此版本中都获得了实质性的优化,这更能代表 Python 的长期未来。(getattr 失败不一定再构造异常对象,ABCs 在 C 中重新实现。)

  • “成功”行指 quacks_like_array 返回 True 的情况。“失败”行是它返回 False 的情况。

  • ABCs 的第一次测量是子类定义方式如下:

    class MyArray(AbstractArray):
        ...
    

    第二次测量是子类定义方式如下:

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

    我不知道这之间为什么会有如此大的差异。

实际上,无论哪种方式,我们都只会在首先检查 ndarraylist 等知名类型之后才进行全面测试。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,或者其他第三方对象最终通过 __array____array_interface__ 处理,或者最终成为对象数组的情况。

因此,总而言之,使用 ABC 会比使用属性稍微慢一些,但这不影响最常见的路径,并且速度下降的幅度相当小(在一个已经比这耗时更长的操作中,约慢 250 纳秒)。此外,我们还可以进一步优化(例如,通过保留一个已知是 AbstractArray 子类的类型的小型 LRU 缓存,假设大多数代码一次只使用这些类型中的一两种),而且目前尚不清楚这是否重要——如果 asarray 空操作直通的速度是一个在性能分析中出现的瓶颈,那么我们可能早就已经让它们更快了!(对这种情况进行快速路径处理很简单,但我们没有这样做。)

鉴于 ABC 在语义和可用性方面的优势,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,但我们在此不包含它,因为它涉及内存表示的细节,而这个函数的重点是声明你不关心内存表示的细节。

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

  • 为了与 asarray 严格兼容,当 dtype 已经正确时,我们跳过调用 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
    

如果您从 AbstractArray 继承,您确切地承诺了什么?#

这大概会随着时间的推移而完善。当然,理想情况是您的类应该与真实的 ndarray 无法区分,但除了用户的期望外,没有任何东西能强制执行这一点。实际上,声明您的类实现 AbstractArray 接口仅仅意味着它将开始通过 asabstractarray,因此通过子类化它,您是在说,如果某些代码对 ndarray 有效但对您的类无效,那么您愿意接受关于此的错误报告。

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

astype 声明为 @abstractmethod 可能也很有意义,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 会在子类化时强制执行这些方法;因此,简单地添加一个新的 @abstractmethod 将会导致向后不兼容。如果这成为一个问题,我们可以使用一些技巧来实现一个 @upcoming_abstractmethod 装饰器,它只在方法缺失时发出警告,并将其视为一个常规的废弃周期。(在这种情况下,我们将废弃的是“对缺少特性 X 的抽象数组的支持”。)

命名#

ABC 的名称无关紧要,因为它很少被引用,且仅在相对特殊的情况下使用。函数的名称则非常重要,因为大多数现有 asarray 的实例都应该被替换为此函数,并且将来,除非有特定理由使用 asarray,否则每个人默认都应该使用它。这表明它的名称确实应该比 asarray 更短更易记……这很困难。我在这份草案中使用了 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说下习惯性地使用它。

一个选择是实际改变 asarray 的语义,使其 能够 直接传递 AbstractArray 对象而无需更改。但我担心可能有很多代码调用 asarray,然后将结果传递给某个 C 函数,而该 C 函数不再进行任何进一步的类型检查(因为它知道其调用者已经使用了 asarray)。如果我们允许 asarray 返回 AbstractArray 对象,然后有人调用这些 C 封装器之一并传递一个像稀疏数组这样的 AbstractArray 对象,那么他们将得到一个段错误。现在,在相同的情况下,asarray 会改为调用对象的 __array__ 方法,或者使用缓冲区接口创建一个视图,或者传递一个带有对象 dtype 的数组,或者引发错误,或者类似的操作。在大多数情况下,这些结果可能都不是真正理想的,所以也许将其改为段错误是可以接受的?但考虑到我们不知道这种代码有多常见,这很危险。另一方面,如果我们从头开始,这可能是一个理想的解决方案。

我们不能使用 asanyarrayarray,因为它们已经被占用。

还有其他想法吗?np.castnp.coerce

实现#

  1. NDArrayOperatorsMixin 重命名为 AbstractArray(为向后兼容保留一个别名),并使其成为一个 ABC。

  2. 添加 asabstractarray(或最终定稿的名称),可能还会有一个 C API 等价物。

  3. 开始将 NumPy 内部函数适当地迁移到使用 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#

一个曾被提出的建议是为数组接口的不同子集定义多个抽象类。本提案中的任何内容都不会阻止 NumPy 或第三方将来这样做,但很难提前猜测哪些子集会有用。此外,“完整的 ndarray 接口”是现有库期望(因为它们处理实际的 ndarray)和测试(因为它们使用实际的 ndarray 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:基准测试脚本#

import abc

import perf

import numpy as np


class NotArray:
    pass

class AttrArray:
    __array_implementer__ = True

class ArrayBase(abc.ABC):  # noqa: B024
    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)")