“广播机制：通过扩展实现数组运算”的版本间的差异

2020年5月16日 (六) 12:44的最新版本

numpy数组的广播机制

• 注意numpy里数组之间的运算和线性代数中的矩阵运算是不一样的
• 同纬度和形状的数组之间就是同位置的元素两两匹配运算的结果

import numpy as np
a=np.array([[ 1., 2., 1.], [ 1., 2., 1.]])
b=np.array([[ 1., 2., 3.], [ 1., 2., 3.]])
print(a.shape,b.shape)
>>>(2, 3) (2, 3)
print(a+b)
>>>array([[ 2., 4., 4.],[ 2., 4., 4.]])
print(a*b)
>>>array([[ 1., 4., 3.],[ 1., 4., 3.]])
print(a-b)
>>>array([[ 0., 0., -2.],[ 0., 0., -2.]])
print(a**b)
>>>array([[ 1., 4., 1.],[ 1., 4., 1.]])

• 当两个数组其中一个的维度少于另外一个的时候

少的数组在某一个轴（或是多个轴）的方向缺失数据，缺数据的那个方向只能有1个元素（或是一行，一面）作为复制蓝本，然后依照轴的方向复制，复制数由多的那个数组的大小决定

• 注意：如果是列和行其中之一有空缺是可以通过复制来运算的。

但是蓝本不能有缺或者多，即行和列都不完整。

a=np.array([[ 1., 2., 1.],

           [ 1.,  2.,  1.],
           [ 1.,  2.,  1.]])

b=np.array([[3.],

           [2.], 
           [1.]])

print(a+b) [[ 4. 5. 4.]

[ 3.  4.  3.]
[ 2.  3.  2.]]

1. 当数组就只有一个元素的时候，那么其实和常数就没什么区别了

a=np.array([[ 1., 2., 1.],

           [ 1.,  2.,  1.],
           [ 1.,  2.,  1.]])

b=np.array(3.) print(a+b) [[ 4. 5. 4.]

[ 4.  5.  4.]
[ 4.  5.  4.]]

高维数组的运算 无论在多少个方向上缺失数据，只要能通过复制解决就可以运算，复制只能依据1个副本，不能有多个副本 Image("2.png")

a=np.array([[[ 1., 2., 1.],

           [ 1.,  2.,  1.],
           [ 1.,  2.,  1.]],
           
          [[ 1.,  2.,  1.],
           [ 1.,  2.,  1.],
           [ 1.,  2.,  1.]]])

b=np.array([[ 3., 2., 1.],

           [ 3.,  2.,  1.],
           [ 3.,  2.,  1.]])

print(a+b) [[[ 4. 4. 2.]

 [ 4.  4.  2.]
 [ 4.  4.  2.]]

[[ 4.  4.  2.]
 [ 4.  4.  2.]
 [ 4.  4.  2.]]]

a=np.array([[[ 1., 2., 1.],

           [ 1.,  2.,  1.],
           [ 1.,  2.,  1.]],
           
          [[ 1.,  2.,  1.],
           [ 1.,  2.,  1.],
           [ 1.,  2.,  1.]]])

b=np.array([[ 3.],

           [ 3.],
           [ 3.]])

print(a+b) [[[ 4. 5. 4.]

 [ 4.  5.  4.]
 [ 4.  5.  4.]]

[[ 4.  5.  4.]
 [ 4.  5.  4.]
 [ 4.  5.  4.]]]

a=np.array([[[ 1., 2., 1.],

           [ 1.,  2.,  1.],
           [ 1.,  2.,  1.]],
           
          [[ 1.,  2.,  1.],
           [ 1.,  2.,  1.],
           [ 1.,  2.,  1.]]])

b=np.array(5.,6,7) print(a+b) [[[ 6. 8. 8.]

 [ 6.  8.  8.]
 [ 6.  8.  8.]]

[[ 6.  8.  8.]
 [ 6.  8.  8.]
 [ 6.  8.  8.]]]