看到scipy lecture notes上说：transpose is a view

As a result, a matrix cannot be made symmetric in-place:



>>> a = np.ones((100, 100))
>>> a += a.T
>>> a
array([[ 2.,  2.,  2., ...,  2.,  2.,  2.],
       [ 2.,  2.,  2., ...,  2.,  2.,  2.],
       [ 2.,  2.,  2., ...,  2.,  2.,  2.],
       ...,
       [ 3.,  3.,  3., ...,  2.,  2.,  2.],
       [ 3.,  3.,  3., ...,  2.,  2.,  2.],
       [ 3.,  3.,  3., ...,  2.,  2.,  2.]])




为什么会这样？如果是小点的比如说（10,10）却是对称的……

渣排版……

由于a和a.T共享内存，因此 a+=a.T会得到奇怪的结果，这个没有问题。问题是为什么只有一部分是3，而不是下半三角内都是3，而且当n比较小的时候不会有问题。

我觉得这个和numpy的内部实现有关，numpy内部有一个大小为8192的缓存，有时候它会使用此缓存进行计算。由于但n比较小的时候，a.T可能会全部保存到此缓冲中再进行计算，因此不会问题。下面的代码可以大致看出缓存的大小：

a = np.ones((99, 99))
a += a.T
np.where(a.ravel()==3)[0][0]

输出为8912

不过

a = np.ones((100, 100))
a += a.T
np.where(a.ravel()==3)[0][0]

的输出为8200

测试几组n之后，发现最小为8192，也就是说缓存能保准最前面的8912个结果是正确的。

非常感谢