人工智能之数据分析 numpy
第八章 数组广播
文章目录
- [人工智能之数据分析 numpy](#人工智能之数据分析 numpy)
- 前言
- 一、什么是广播？
- [✅ 核心优势：](#✅ 核心优势：)
- 二、广播规则（必须全部满足）
- 三、广播示例详解
- [示例 1：标量与数组（最简单）](#示例 1：标量与数组（最简单）)
- [示例 2：一维与二维（经典场景）](#示例 2：一维与二维（经典场景）)
- [示例 3：列向量与行向量](#示例 3：列向量与行向量)
- [示例 4：三维广播](#示例 4：三维广播)
- 四、广播失败的案例
- [❌ 维度不兼容](#❌ 维度不兼容)
- [❌ 中间维度冲突](#❌ 中间维度冲突)
- 五、广播的实际应用
- [📌 应用 1：标准化数据（Z-score）](#📌 应用 1：标准化数据（Z-score）)
- [📌 应用 2：生成二维网格（用于绘图）](#📌 应用 2：生成二维网格（用于绘图）)
- [📌 应用 3：批量矩阵偏移](#📌 应用 3：批量矩阵偏移)
- 六、如何避免意外广播？
- [七、广播 vs `np.tile` / `np.repeat`](#七、广播 vs
np.tile/np.repeat)- 八、总结：广播速查表
- 后续
- 资料关注
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：
- 维度相等，或
- 其中一个维度为 1，或
- 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）
python
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）
python
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)vsv: (3,)→ 补全为(1, 3) - 比较各维度：
- 第 1 维：
2vs1→ 允许（1 可扩展为 2） - 第 2 维：
3vs3→ 相等
- 第 1 维：
- 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
python
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：
1vs2→ 扩展为 2 - 第 2 维：
3vs1→ 扩展为 3
- 第 1 维：
- 结果：
(2, 3)
🔥 这是生成网格坐标的基础！
示例 4：三维广播
python
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
python
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
python
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）
python
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）
python
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
python
# 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：
-
显式检查形状
pythonassert a.shape == b.shape or ... # 根据业务逻辑 -
使用
np.newaxis明确维度python# 确保 v 是列向量 v = v[:, np.newaxis] -
慎用高维自动广播
python# 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
| 方法 | 内存 | 速度 | 推荐 |
|---|---|---|---|
| 广播 | 不复制数据 | 极快 | ✅ 首选 |
np.tile |
创建完整副本 | 慢 | ❌ 仅调试用 |
np.repeat |
创建副本 | 慢 | ❌ |
python
# 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
| 操作 | 是否广播 | 结果形状 |
|---|---|---|
(3,) + () |
✅ | (3,) |
(2,3) + (3,) |
✅ | (2,3) |
(2,1) + (3,) |
✅ | (2,3) |
(2,3) + (2,1) |
✅ | (2,3) |
(2,3) + (3,2) |
❌ | 报错 |
(4,1,3) + (2,3) |
✅ | (4,2,3) |
🧠 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
gitee：https://gitee.com/wy18585051844/ai_learning
《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》