廣播僅僅是一組用於在不同大小的陣列上應用二元ufuncs(加法、減法、乘法等)的規則。
對於相同大小的陣列，二元操作按元素逐元素執行。
in[1]: import numpy as np
in[2]: a = np.array([0, 1, 2])
b = np.array([5, 5, 5])
a + b
out[2]: array([5, 6, 7])
廣播允許在不同大小的陣列上執行這些型別的二元操作。
在numpy中，廣播遵循一組嚴格的規則來確定兩個陣列之間的操作:
規則1:如果兩個陣列在維度的數量上有差異，那麼維度較少的陣列的形狀就會被用1填充在它的前導(左)邊。
規則2:如果兩個陣列的形狀在任何維度上都不匹配，但等於1，那麼在這個維度中，形狀為1的陣列將被拉伸以匹配另乙個形狀。
規則3:如果在任何維度上，大小都不一致，且兩者都不等於1，就會出現錯誤。
下面看例子：
in[1]: import numpy as np
in[2]: m = np.ones((2, 3))
a = np.arange(3)
in [3]: m.shape
out[3]: (2, 3)
in [4]: a.shape
out[4]: (3,)
根據規則1，陣列a的維數更少，所以我們用1填充在它的左邊。
m.shape -> (2, 3)
a.shape -> (1, 3)
m.shape -> (2, 3)
a.shape -> (2, 3)
in [5]: (m + a).shape
out[5]: (2, 3)
再看乙個例子：
in[6]: a = np.arange(3).reshape((3, 1))
b = np.arange(3)
in [7]: a.shape
out[7]: (3, 1)
in [8]: b.shape
out[8]: (3,)
a.shape -> (3, 1)
b.shape -> (1, 3)
a.shape -> (3, 3)
b.shape -> (3, 3)
in [9]: (a + b).shape
out[9]: (3, 3)
in [15]： m = np.ones((3, 2))
in [16]： a = np.arange(3)
in [16]: m.shape
out[16]: (3, 2)
in [17]: a.shape
out[17]: (3,)
m.shape -> (3, 2)
a.shape -> (1, 3)
m.shape -> (3, 2)
a.shape -> (3, 3)
in [18]: m + a
traceback (most recent call last):
file "", line 1, in m + a
valueerror: operands could not be broadcast together with shapes (3,2) (3,)
參考:《python data science handbook》
numpy中的廣播機制
numpy兩個陣列的相加 相減以及相乘都是對應元素之間的操作。import numpy as np x np.array 2,2,3 1,2,3 y np.array 1,1,3 2,2,4 print x y numpy當中的陣列相乘是對應元素的乘積，與線性代數當中的矩陣相乘不一樣 輸入結果如下 ...
numpy中的廣播機制
結論 廣播原則 如果兩個陣列的後緣維度 即 從末尾開始算起的維度 的軸長相符或其中一方的長度為1，則認為它們是廣播相容的，廣播會在缺失和 或 長度為1的軸上進行.1.讓所有輸入陣列都向其中shape最長的陣列看齊，shape中不足的部分都通過在前面加1補齊 2.輸出陣列的shape是輸入陣列shap...
Python 中 NumPy 的廣播
廣播描述了 numpy 如何在算術運算期間處理具有不同形狀的陣列。為了實現形狀相容，較小的陣列仍在較大的陣列上 廣播 廣播提供了一種向量化陣列操作的方法，以便在 c 而不是 python 中進行迴圈。numpy 通常在逐個元素的基礎上對陣列對進行操作。在最簡單的情況下，兩個陣列必須具有完全相同的形狀...