NumPy包结构与方法实现机制：ndarray方法与顶层函数调用差异

调用形式差异的底层逻辑 #

先看基础复现代码：

import numpy as np
a = np.array([1, 2, 3])
b = np.ones(3)

首先纠正一个常见观察误区：逐元素乘法并非仅支持顶层函数调用，a * b的运算符写法就是它的实例调用形式，只是NumPy没有在ndarray类上绑定名为multiply的同名实例方法而已。

两类调用形式的差异完全来自API绑定规则，和是否是静态方法、C实现还是Python实现没有直接关系：

• numpy.ndarray是NumPy核心的C扩展数组类型，只有直接绑定在这个类型上的方法，才能通过数组实例.方法名()的形式调用。
  • dot是从NumPy早期版本就直接绑定在ndarray类上的C实现实例方法：调用a.dot(b)时，C层直接将实例a作为self参数传入，再接收参数b完成计算，全程没有用到Python层面的静态方法、类方法装饰器。
  • 顶层APInp.dot是对同一段C实现代码的薄封装：它会先校验入参类型，如果入参本身是ndarray实例，就直接调用该实例绑定的dot方法；如果入参是Python列表、元组等可转换为数组的类型，就先完成类型转换再调用实例方法，两个入口最终走的是完全相同的计算逻辑。
  • np.multiply属于C实现的通用函数（ufunc），这类逐元素运算函数默认不会在ndarray类上绑定同名实例方法，而是通过Python运算符魔术方法映射到对应符号：比如np.multiply对应__mul__方法，也就是*运算符，np.add对应__add__也就是+运算符，所以你写a * b的时候，本质就是在调用multiply的实例方法，只是方法名不是multiply而已。
• 你观察到dot归属numpy.core.multiarray.dot是完全准确的。NumPy核心计算逻辑绝大多数都是C实现，实现完成后会在C层做两类导出：
  • 选定部分函数注册为ndarray类型的实例方法，支持实例调用
  • 把所有公开API包装后导出到NumPy顶层命名空间，支持顶层函数调用
    哪些方法绑定到实例、哪些只做顶层导出，属于NumPy API设计的历史选择：线性代数相关的数组专属方法（比如dot、sum、reshape）大多保留了实例方法入口，而通用逐元素ufunc默认只通过运算符、顶层函数两个入口暴露，不做同名实例方法绑定。

NumPy整体包结构 #

NumPy采用分层封装的结构，顶层暴露的易用API大多是下层核心实现的包装，从下到上的结构如下：

• 顶层numpy命名空间：对外暴露用户日常使用的全部高频API，包括数组构造函数、数学运算函数、常量等，基本都是从下层子模块导入的别名，没有实际逻辑实现。
• numpy.core：核心实现层，所有基础能力都在这一层
  • core.multiarray：C扩展编译的核心模块，包含ndarray类型定义、所有绑定在数组上的基础实例方法（比如dot、reshape、索引相关逻辑）
  • core.umath：C扩展编译的通用函数模块，np.multiply、np.add、np.sin这类逐元素运算的ufunc都在这一层实现
  • core.numeric：Python层面编写的封装逻辑，负责补全参数校验、类型转换、接口兼容，把C层的原生函数包装成符合用户使用习惯的API
• numpy.lib：Python实现的工具扩展层，包含文件IO、日期处理、数组操作补充、多项式计算等非核心但高频的功能
• numpy.linalg：线性代数子模块，封装矩阵分解、求逆、特征值计算等高级线性代数能力，底层会调用系统安装的BLAS/LAPACK数值库
• numpy.fft：快速傅里叶变换相关功能子模块
• numpy.random：随机数生成子模块，包含各类随机分布采样、随机种子控制的实现
• 场景化专用子模块：包括numpy.ma掩码数组、numpy.polynomial多项式计算、numpy.testing单元测试工具等，面向特定使用场景提供封装。

内容的提问来源于stack exchange，提问作者Amna Najib