Python广播机制

bj_zhb

于 2024-03-21 10:25:06 发布

阅读量833

点赞数 18

分类专栏： python 文章标签： python 开发语言

本文链接：https://blog.csdn.net/bj_zhb/article/details/136900729

版权

python 专栏收录该内容

45 篇文章 1 订阅

订阅专栏

Python广播机制

文章目录

Python广播机制
- 规则
- 示例

“广播”这一术语用于描述如何在形状不一的数组上应用算术运算。在满足特定限制的前提下，较小的数组“广播”较大的数组，使两者形状互相兼容。
广播提供了一个向量化数组操作的机制，这样遍历就发生在C层面，而不是Python层面。广播可以避免不必要的数据复制，通常导向高效的算法实现。不过，也存在不适用广播的情形（可能导致拖慢计算过程的低效内存使用）。

规则

可广播的一对张量需满足以下规则：

每个张量至少有一个维度。
迭代维度尺寸时，从尾部的维度开始，
- 维度尺寸或者相等，
- 或者其中一个张量的维度尺寸为 1 ，
- 或者其中一个张量不存在这个维度。

示例

下面是一个具体的示例，说明如何使用广播机制进行数组操作：

import numpy as np

# 创建一个数组
a = np.array([1, 2, 3])
# 形状为 (3,)

# 创建一个标量（0维数组）
b = 5

# 使用广播机制，将标量 b 扩展为与数组 a 相同的形状
c = a + b
# 广播后，a 形状为 (3,)，b 形状为 (1,)，c 形状为 (3,)
# c 的值为 [6, 7, 8]

# 创建一个二维数组
d = np.array([[1, 2, 3], [4, 5, 6]])
# 形状为 (2, 3)

# 创建一个一维数组
e = np.array([1, 2, 3])
# 形状为 (3,)

# 使用广播机制，将数组 e 扩展为与数组 d 相同的形状
f = d + e
# 广播后，d 形状为 (2, 3)，e 形状为 (1, 3)，f 形状为 (2, 3)
# f 的值为 [[2, 4, 6], [5, 7, 9]]

在这个示例中，我们使用NumPy库演示了广播机制的用法。首先，我们创建了一个数组 a 和一个标量 b。通过使用广播机制，将标量 b 扩展为与数组 a 相同的形状，然后进行元素级的加法操作，得到数组 c。同样地，我们还演示了对于不同形状的数组 d 和 e，如何使用广播机制进行元素级操作。

通过广播机制，我们可以在不进行显式循环的情况下，对不同形状的数组进行元素级的操作，使得代码更简洁、清晰，并且减少了计算的复杂性。

当进行数组的广播操作时，广播机制会按照以下规则进行：

如果两个数组的维度数不同，那么较少的维度会在其前面补1，使得两个数组的维度数相同。
如果两个数组在某个维度上的大小相等，或其中一个数组在该维度上的大小为1，那么这两个数组在该维度上是兼容的。
如果两个数组在某个维度上的大小都不相等，且都不为1，那么这两个数组在该维度上是不兼容的，无法进行广播。

广播机制的应用不仅局限于二进制操作（如加法、减法），还可以应用于各种元素级操作，包括加法、减法、乘法、除法、幂运算、逻辑运算等。

下面是一些更多的示例，展示了广播机制在不同情况下的应用：

import numpy as np

# 示例1：不同维度的广播
a = np.array([1, 2, 3])  # 形状为 (3,)
b = np.array([[4], [5], [6]])  # 形状为 (3, 1)
c = a + b
# 广播后，a 形状为 (3,)，b 形状为 (3, 1)，c 形状为 (3, 3)
# c 的值为 [[5, 6, 7], [6, 7, 8], [7, 8, 9]]

# 示例2：多维度的广播
d = np.array([[1, 2, 3], [4, 5, 6]])  # 形状为 (2, 3)
e = np.array([1, 2, 3])  # 形状为 (3,)
f = d + e
# 广播后，d 形状为 (2, 3)，e 形状为 (1, 3)，f 形状为 (2, 3)
# f 的值为 [[2, 4, 6], [5, 7, 9]]

# 示例3：不兼容的维度
g = np.array([1, 2, 3])  # 形状为 (3,)
h = np.array([4, 5])  # 形状为 (2,)
# 由于 g 和 h 在第一个维度上的大小不相等且都不为1，无法进行广播
# 抛出 ValueError: frames are not aligned error

在示例1中，我们展示了具有不同维度的广播操作。数组 a 的形状为 (3,)，数组 b 的形状为 (3, 1)。通过广播机制，将数组 a 扩展为 (3, 3) 的形状，然后进行元素级的加法操作，得到数组 c。

示例2展示了多维度的广播操作。数组 d 的形状为 (2, 3)，数组 e 的形状为 (3,)。通过广播机制，将数组 e 扩展为 (1, 3) 的形状，然后进行元素级的加法操作，得到数组 f。

在示例3中，展示了具有不兼容维度的情况。数组 g 的形状为 (3,)，数组 h 的形状为 (2,)。由于它们在第一个维度上的大小既不相等，也不为1，无法进行广播操作。在这种情况下，会抛出一个 ValueError，指示帧不对齐（frames are not aligned）。

广播机制在处理不同形状的数组时非常有用，它使得我们能够以更简洁的方式执行元素级操作，并且减少了循环的需求。它在许多科学计在示例中，我们可以看到广播机制的应用。它允许我们在不同形状的数组之间执行元素级操作，而无需进行显式的形状匹配或循环。它大大简化了数组操作的代码编写。

广播机制的规则如下：

如果两个数组的维度数不同，在较少的维度上插入尺寸为1的维度，直到维度数相同。
如果两个数组在某个维度上的大小相等，或其中一个数组在该维度上的大小为1，则认为它们在该维度上是兼容的。
如果两个数组在某个维度上的大小都不相等且都不为1，则它们在该维度上是不兼容的，无法进行广播。

下面是一个更详细的示例，说明广播机制的应用：

import numpy as np

# 示例1：二维数组与一维数组的广播
a = np.array([[1, 2, 3], [4, 5, 6]])  # 形状为(2, 3)
b = np.array([10, 20, 30])  # 形状为(3,)
c = a + b
# 广播后，a的形状为(2, 3)，b的形状为(1, 3)，c的形状为(2, 3)
# c的值为[[11, 22, 33], [14, 25, 36]]

# 示例2：二维数组与零维标量的广播
d = np.array([[1, 2, 3], [4, 5, 6]])  # 形状为(2, 3)
e = 10  # 标量
f = d + e
# 广播后，d的形状为(2, 3)，e的形状为(1, 1)，f的形状为(2, 3)
# f的值为[[11, 12, 13], [14, 15, 16]]

# 示例3：三维数组与二维数组的广播
g = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])  # 形状为(2, 2, 3)
h = np.array([[1], [2]])  # 形状为(2, 1)
i = g + h
# 广播后，g的形状为(2, 2, 3)，h的形状为(2, 1)，i的形状为(2, 2, 3)
# i的值为[[[ 2,  3,  4], [ 6,  7,  8]], [[ 9, 10, 11], [12, 13, 14]]]