人工智能之数据分析 numpy：第八章 数组广播

人工智能之数据分析 numpy

第八章 数组广播

前言

NumPy 的 广播（Broadcasting） 是其最强大、也最容易被误解的特性之一。它允许不同形状的数组之间进行逐元素运算，而无需显式复制数据，既节省内存又提升性能。

一、什么是广播？

广播：NumPy 在执行算术运算时，自动将形状不同的数组“扩展”为兼容形状的机制。

✅ 核心优势：

• 避免创建不必要的副本（内存高效）
• 代码简洁（无需手动 reshape 或 tile）
• 运算速度接近 C 语言

二、广播规则（必须全部满足）

当两个数组 A 和 B 进行运算时，从最后一个维度开始向前对齐，每个维度需满足以下之一：

1. 维度相等，或
2. 其中一个维度为 1，或
3. 其中一个数组缺少该维度（即维度数更少）

如果所有维度都满足，则广播成功；否则报错：ValueError: operands could not be broadcast together...

三、广播示例详解

示例 1：标量与数组（最简单）

import numpy as np

a = np.array([1, 2, 3])
b = 10  # 标量 → 视为 shape ()

result = a + b  # [11 12 13]

• a.shape = (3,)
• b.shape = () → 自动扩展为 (1,) → 再广播为 (3,)

示例 2：一维与二维（经典场景）

A = np.array([[1, 2, 3],
              [4, 5, 6]])   # shape (2, 3)
v = np.array([10, 20, 30])   # shape (3,)

C = A + v
print(C)
# [[11 22 33]
#  [14 25 36]]

广播过程：

• 对齐维度：A: (2, 3) vs v: (3,) → 补全为 (1, 3)
• 比较各维度：
  • 第 1 维：2 vs 1 → 允许（1 可扩展为 2）
  • 第 2 维：3 vs 3 → 相等
• 结果形状：(2, 3)

💡 v 被“复制”到每一行，但没有实际复制内存！

示例 3：列向量与行向量

row = np.array([1, 2, 3])      # shape (3,)
col = np.array([[10], [20]])   # shape (2, 1)

result = row + col
print(result)
# [[11 12 13]
#  [21 22 23]]

广播过程：

• row: (3,) → (1, 3)
• col: (2, 1)
• 对齐后：
  • 第 1 维：1 vs 2 → 扩展为 2
  • 第 2 维：3 vs 1 → 扩展为 3
• 结果：(2, 3)

🔥 这是生成网格坐标的基础！

示例 4：三维广播

A = np.ones((3, 4, 5))
B = np.ones((4, 5))

C = A + B  # 成功！B 被广播到 (1,4,5) → (3,4,5)

四、广播失败的案例

❌ 维度不兼容

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

# a + b → 报错！
# 维度对齐：(1,2) vs (1,3)
# 最后一维：2 ≠ 3，且都不为1 → 无法广播

❌ 中间维度冲突

A = np.random.rand(2, 3, 4)
B = np.random.rand(2, 5, 4)

# A + B → 报错！
# 第2维：3 vs 5 → 无法广播

五、广播的实际应用

📌 应用 1：标准化数据（Z-score）

data = np.random.rand(100, 5)  # 100个样本，5个特征

# 计算每列均值和标准差
mean = data.mean(axis=0)   # shape (5,)
std = data.std(axis=0)     # shape (5,)

# 标准化：(data - mean) / std
normalized = (data - mean) / std  # 广播自动对每行操作

📌 应用 2：生成二维网格（用于绘图）

x = np.linspace(-2, 2, 5)   # [-2 -1 0 1 2] → (5,)
y = np.linspace(-1, 1, 3)   # [-1 0 1]       → (3,)

# 转为列向量和行向量
X = x[np.newaxis, :]  # shape (1, 5)
Y = y[:, np.newaxis]  # shape (3, 1)

# 广播生成网格
grid_sum = X + Y
print(grid_sum)
# [[-3. -2. -1.  0.  1.]
#  [-2. -1.  0.  1.  2.]
#  [-1.  0.  1.  2.  3.]]

✅ 这正是 np.meshgrid() 的底层原理！

📌 应用 3：批量矩阵偏移

# 10 个 3x3 矩阵
matrices = np.random.rand(10, 3, 3)

# 一个公共偏移向量（加到每行）
offset = np.array([10, 20, 30])  # (3,)

# 广播：offset 自动应用到每个矩阵的每一行
result = matrices + offset  # shape (10, 3, 3)

六、如何避免意外广播？

有时广播会导致逻辑错误（如本想矩阵乘法却做了逐元素乘）。

防御性编程建议：

1. 显式检查形状assert a.shape == b.shape or ... # 根据业务逻辑
2. 使用 np.newaxis 明确维度# 确保 v 是列向量 v = v[:, np.newaxis]
3. 慎用高维自动广播# 如果不确定，先 reshape 到预期形状 b = b.reshape(1, -1)

七、广播 vs np.tile / np.repeat

# 不推荐（浪费内存）
A = np.array([[1, 2], [3, 4]])
B = np.tile([10, 20], (2, 1))  # 显式复制
C = A + B

# 推荐（广播）
C = A + [10, 20]  # 自动广播，无内存开销

八、总结：广播速查表

🧠 记忆口诀：从右往左对齐，1 可扩，等则留，否则错。

后续

本文主要讲述了numpy数组广播。python过渡项目部分代码已经上传至gitee，后续会逐步更新，主要受时间原因限制，当然自己也可以克隆到本地学习拓展。

资料关注

公众号：咚咚王

《Python编程：从入门到实践》

《利用Python进行数据分析》

《算法导论中文第三版》

《概率论与数理统计（第四版） (盛骤) 》

《程序员的数学》

《线性代数应该这样学第3版》

《微积分和数学分析引论》

《（西瓜书）周志华-机器学习》

《TensorFlow机器学习实战指南》

《Sklearn与TensorFlow机器学习实用指南》

《模式识别（第四版）》

《深度学习 deep learning》伊恩·古德费洛著 花书

《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》

《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》

《自然语言处理综论 第2版》

《Natural-Language-Processing-with-PyTorch》

《计算机视觉-算法与应用(中文版)》

《Learning OpenCV 4》

《AIGC：智能创作时代》杜雨+&+张孜铭

《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》

《从零构建大语言模型（中文版）》

《实战AI大模型》

《AI 3.0》