我最近将这种解决方案应用于平均每N行矩阵。尽管该解决方案总体上可行，但将其应用于7x1阵列时遇到了问题。我注意到问题出在使用-=运算符时。举一个小例子：
import numpy as np
a = np.array([1,2,3])
b = np.copy(a)
a[1:] -= a[:-1]
b[1:] = b[1:] - b[:-1]
print a
print b输出：
[1 1 2]
[1 1 1]因此，在数组的情况下a -= b产生的结果与有所不同a = a - b。我认为到目前为止，这两种方式是完全相同的。有什么区别？
我提到的用于对矩阵中的每N行求和的方法如何工作（例如，对于7x4矩阵而不是7x1数组）？
Answers:
注意：从1.13.0版开始，在共享内存的NumPy数组上使用就地操作不再是问题（请参阅此处的详细信息）。这两个操作将产生相同的结果。此答案仅适用于NumPy的早期版本。
在计算中使用数组时对其进行突变可能会导致意外结果！
在问题的示例中，用减去可-=修改的第二个元素，a然后立即在对的第三个元素的运算中使用该修改的第二个元素a。
以下是a[1:] -= a[:-1]逐步发生的情况：
a是包含数据的数组[1, 2, 3]。
我们对此数据有两种看法：a[1:]is [2, 3]和a[:-1]is [1, 2]。
就地减法-=开始。的第一个元素a[:-1]1减去的第一个元素a[1:]。这已修改a为[1, 1, 3]。现在，我们有一个a[1:]是数据的视图[1, 3]，并且a[:-1]是数据的视图[1, 1]（阵列的第二元件a已被更改）。
a[:-1]现在是[1, 1]，NumPy现在必须从的第二个元素减去其第二个元素1（现在不再是 2！）a[1:]。这样就a[1:]可以看到这些值[1, 2]。
a现在是具有值的数组[1, 1, 2]。
b[1:] = b[1:] - b[:-1]不会出现此问题，因为首先b[1:] - b[:-1]创建一个新数组，然后将该数组中的值分配给b[1:]。b在减法期间它不会自行修改，因此视图b[1:]和b[:-1]不会更改。
一般建议是，如果一个视图重叠，则应避免在一个视图之间进行修改。这包括运算符-=，*=等，并out在通用函数（如np.subtract和np.multiply）中使用参数写回数组之一。
在内部，区别在于：
a[1:] -= a[:-1]等效于此：
a[1:] = a[1:].__isub__(a[:-1])
a.__setitem__(slice(1, None, None), a.__getitem__(slice(1, None, None)).__isub__(a.__getitem__(slice(1, None, None)))而这：
b[1:] = b[1:] - b[:-1]映射到此：
b[1:] = b[1:].__sub__(b[:-1])
b.__setitem__(slice(1, None, None), b.__getitem__(slice(1, None, None)).__sub__(b.__getitem__(slice(1, None, None)))在某些情况下，__sub__()并__isub__()以类似的方式工作。但是可变对象应该在使用时发生变异并返回自己__isub__()，而它们应该使用来返回一个新对象__sub__()。
在numpy对象上应用切片操作会在其上创建视图，因此使用它们直接访问“原始”对象的内存。