简介

播送形容的是NumPy如何计算不同形态的数组之间的运算。如果是较大的矩阵和较小的矩阵进行运算的话，较小的矩阵就会被播送，从而保障运算的正确进行。

本文将会以具体的例子具体解说NumPy中播送的应用。

根底播送

失常状况下，两个数组须要进行运算，那么每个数组的对象都须要有一个绝对应的值进行计算才能够。比方上面的例子：

a = np.array([1.0, 2.0, 3.0])b = np.array([2.0, 2.0, 2.0])a * barray([ 2.,  4.,  6.])

然而如果应用Numpy的播送个性，那么就不必须元素的个数精确对应。

比方，咱们能够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.])

上面的例子和下面的例子是等价的，Numpy会主动将b进行扩大。

NumPy足够聪慧，能够应用原始标量值而无需理论制作正本，从而使播送操作尽可能地节俭内存并进步计算效率。

第二个示例中的代码比第一个示例中的代码更无效，因为播送在乘法过程中挪动的内存更少（b是标量而不是数组）。

播送规定

如果两个数组操作，NumPy会对两个数组的对象进行比拟，从最初一个维度开始，如果两个数组的维度满足上面的两个条件，咱们就认为这两个数组是兼容的，能够进行运算：

维度中的元素个数是雷同的
其中一个维数是1

如果下面的两个条件不满足的话，就会抛出异样： ValueError: operands could not be broadcast together。

维度中的元素个数是雷同的，并不意味着要求两个数组具备雷同的维度个数。

比方示意色彩的256x256x3 数组，能够和一个一维的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统一：

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

下面的例子中，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

上面是不匹配的例子：

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

再举个理论代码的例子：

>>> 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.]])

播送还提供了一个十分不便的进行两个1维数组进行内部乘积的运算：

>>> 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.]])

本文已收录于 http://www.flydean.com/07-python-numpy-broadcasting/
最艰深的解读，最粗浅的干货，最简洁的教程，泛滥你不晓得的小技巧等你来发现！
欢送关注我的公众号:「程序那些事」,懂技术，更懂你！