如何使用NumPy中的广播
这篇文章主要讲解了"如何使用NumPy中的广播"，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习"如何使用NumPy中的广播"吧！
基础广播
正常情况下，两个数组需要进行运算，那么每个数组的对象都需要有一个相对应的值进行计算才可以。比如下面的例子：
a = np.array([1.0, 2.0, 3.0])b = np.array([2.0, 2.0, 2.0])a * barray([ 2., 4., 6.])
但是如果使用Numpy的广播特性，那么就不必须元素的个数准确对应。
比如，我们可以讲一个数组乘以常量：
a = np.array([1.0, 2.0, 3.0])>>> b = 2.0>>> a * barray([ 2., 4., 6.])
下面的例子和上面的例子是等价的，Numpy会自动将b进行扩展。
NumPy足够聪明，可以使用原始标量值而无需实际制作副本，从而使广播操作尽可能地节省内存并提高计算效率。
第二个示例中的代码比第一个示例中的代码更有效，因为广播在乘法过程中移动的内存更少（b是标量而不是数组）。
广播规则
如果两个数组操作，NumPy会对两个数组的对象进行比较，从最后一个维度开始，如果两个数组的维度满足下面的两个条件，我们就认为这两个数组是兼容的，可以进行运算：
维度中的元素个数是相同的
其中一个维数是1
如果上面的两个条件不满足的话，就会抛出异常： ValueError: operands could not be broadcast together。
维度中的元素个数是相同的，并不意味着要求两个数组具有相同的维度个数。
比如表示颜色的256x256x3 数组，可以和一个一维的3个元素的数组相乘：
Image (3d array): 256 x 256 x 3Scale (1d array): 3Result (3d array): 256 x 256 x 3
相乘的时候，维度中元素个数是1的会被拉伸到和另外一个维度中的元素个数一致：
A (4d array): 8 x 1 x 6 x 1B (3d array): 7 x 1 x 5Result (4d array): 8 x 7 x 6 x 5
上面的例子中，第二维的1被拉伸到7，第三维的1被拉伸到6，第四维的1被拉伸到5。
还有更多的例子：
B (1d array): 1Result (2d array): 5 x 4A (2d array): 5 x 4B (1d array): 4Result (2d array): 5 x 4A (3d array): 15 x 3 x 5B (3d array): 15 x 1 x 5Result (3d array): 15 x 3 x 5A (3d array): 15 x 3 x 5B (2d array): 3 x 5Result (3d array): 15 x 3 x 5A (3d array): 15 x 3 x 5B (2d array): 3 x 1Result (3d array): 15 x 3 x 5
下面是不匹配的例子：
A (1d array): 3B (1d array): 4 # trailing dimensions do not matchA (2d array): 2 x 1B (3d array): 8 x 4 x 3 # second from last dimensions mismatched
再举个实际代码的例子：
>>> x = np.arange(4)>>> xx = x.reshape(4,1)>>> y = np.ones(5)>>> z = np.ones((3,4))>>> x.shape(4,)>>> y.shape(5,)>>> x + yValueError: operands could not be broadcast together with shapes (4,) (5,)>>> xx.shape(4, 1)>>> y.shape(5,)>>> (xx + y).shape(4, 5)>>> xx + yarray([[ 1., 1., 1., 1., 1.], [ 2., 2., 2., 2., 2.], [ 3., 3., 3., 3., 3.], [ 4., 4., 4., 4., 4.]])>>> x.shape(4,)>>> z.shape(3, 4)>>> (x + z).shape(3, 4)>>> x + zarray([[ 1., 2., 3., 4.], [ 1., 2., 3., 4.], [ 1., 2., 3., 4.]])
广播还提供了一个非常方便的进行两个1维数组进行外部乘积的运算：
>>> a = np.array([0.0, 10.0, 20.0, 30.0])>>> b = np.array([1.0, 2.0, 3.0])>>> a[:, np.newaxis] + barray([[ 1., 2., 3.], [ 11., 12., 13.], [ 21., 22., 23.], [ 31., 32., 33.]])
其中a[:, np.newaxis] 将1维的数组转换成为4维的数组：
In [230]: a[:, np.newaxis]Out[230]:array([[ 0.], [10.], [20.], [30.]])
感谢各位的阅读，以上就是"如何使用NumPy中的广播"的内容了，经过本文的学习后，相信大家对如何使用NumPy中的广播这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是，小编将为大家推送更多相关知识点的文章，欢迎关注！
