NumPy 广播

本章目标

1. 掌握广播（broadcasting）的三条核心规则
2. 掌握标量、行向量、列向量与矩阵的广播计算
3. 学会用广播实现外积
4. 掌握广播在数据标准化中的典型应用

重点方法与概念速览

名称	类型	作用
arr + scalar	表达式	标量与数组广播（逐元素运算）
arr2d + arr1d	表达式	一维向量沿行方向广播
arr2d + col	表达式	列向量 (n, 1) 沿列方向广播
a[:, np.newaxis] * b	表达式	用广播手动构造外积
np.outer(...)	函数	外积（一维向量专用 API）
arr.mean(axis=0)	方法	按列均值，配合广播用于标准化
arr.std(axis=0)	方法	按列标准差，配合广播用于标准化

1. 广播规则

三条核心规则

1. 从后往前（末尾对齐）逐维比较两个数组的 shape
2. 每一维满足相等或其中一个为 1即可广播
3. 缺失的维度按 1 处理，自动在前方补上

形状兼容速查

左形状	右形状	是否兼容	广播后形状
(3, 4)	(4,)	是	(3, 4)
(3, 4)	(3, 1)	是	(3, 4)
(3, 1)	(1, 4)	是	(3, 4)
(2, 3, 4)	(3, 4)	是	(2, 3, 4)
(3, 4)	(3,)	否	—
(3, 4)	(2, 4)	否	—

示例代码

import numpy as np

A = np.ones((3, 4))
B1 = np.array([1, 2, 3, 4])         # (4,)
B2 = np.array([[1], [2], [3]])      # (3, 1)

print(f"(3,4) + (4,) = {(A + B1).shape}")
print(f"(3,4) + (3,1) = {(A + B2).shape}")
print(f"(3,1) + (1,4) = "
      f"{(np.ones((3, 1)) + np.ones((1, 4))).shape}")

输出

(3,4) + (4,) = (3, 4)
(3,4) + (3,1) = (3, 4)
(3,1) + (1,4) = (3, 4)

2. 标量与数组广播

作用

标量（0 维）与任意形状的数组均可广播，标量自动扩展为同形状后逐元素运算。

示例代码

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(f"arr + 10:\n{arr + 10}")
print(f"arr * 2:\n{arr * 2}")

输出

arr + 10:
[[11 12 13]
 [14 15 16]
 [17 18 19]]
arr * 2:
[[ 2  4  6]
 [ 8 10 12]
 [14 16 18]]

3. 一维数组沿行广播

作用

arr2d (m, n) 与 arr1d (n,) 相加时，一维数组被视作 (1, n) 后在行方向复制 m 份，相当于"每一行加同一个向量"。

示例代码

import numpy as np

arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
arr1d = np.array([10, 20, 30])
print(f"arr2d + arr1d:\n{arr2d + arr1d}")

输出

arr2d + arr1d:
[[11 22 33]
 [14 25 36]
 [17 28 39]]

理解重点

• (m, n) 与 (n,) 对齐后，第 0 轴长度自动补为 1，再广播到 m
• 若要"每一列加同一个向量"，需要形状 (m, 1) 而不是 (m,)

4. 列向量沿列广播

作用

arr2d (m, n) 与 col (m, 1) 相加时，列向量在列方向复制 n 份，相当于"每一列加同一个列向量"。

示例代码

import numpy as np

arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
col = np.array([[100], [200], [300]])  # (3, 1)
print(f"arr2d + col:\n{arr2d + col}")

输出

arr2d + col:
[[101 102 103]
 [204 205 206]
 [307 308 309]]

理解重点

• 想要"列向量"必须显式做成 (m, 1)：可用 arr.reshape(-1, 1)、arr[:, np.newaxis] 或 np.expand_dims(arr, axis=1)
• (m,) 与 (m, 1) 在广播中方向不同：前者沿行方向广播，后者沿列方向广播

5. 广播应用：外积

外积 $\mathbf{a}\otimes \mathbf{b}$ 的结果形状为 (len(a), len(b))，元素公式：

$$(\mathbf{a}\otimes \mathbf{b}{)}_{ij}=a_i\cdot b_j$$

用广播的视角：把 $a$ 变成列向量 (m, 1)，$b$ 保持 (n,)，相乘即得。

np.outer

作用

直接计算两个一维向量的外积，等价于 a[:, np.newaxis] * b。

重点方法

np.outer(a, b, out=None)

参数

参数名	类型	说明	示例取值
a	array_like	第一个输入，会被展平为一维	[1, 2, 3]
b	array_like	第二个输入，会被展平为一维	[10, 20, 30, 40]
out	ndarray 或 None	写入结果的目标数组	——

综合示例

示例代码

import numpy as np

a = np.array([1, 2, 3])
b = np.array([10, 20, 30, 40])

# 方式 1：广播
print(f"广播外积:\n{a[:, np.newaxis] * b}")

# 方式 2：np.outer
print(f"np.outer:\n{np.outer(a, b)}")

输出

广播外积:
[[ 10  20  30  40]
 [ 20  40  60  80]
 [ 30  60  90 120]]
np.outer:
[[ 10  20  30  40]
 [ 20  40  60  80]
 [ 30  60  90 120]]

6. 广播应用：特征标准化

Z-score 标准化公式：

$$z=\frac{x-\mu }{\sigma }$$

其中 $\mu$（均值）和 $\sigma$（标准差）沿样本维（axis=0）计算。它们形状为 (n_features,)，与数据 (n_samples, n_features) 相减/相除时自动沿行广播。

示例代码

import numpy as np

np.random.seed(42)
data = np.random.randint(0, 100, size=(5, 3))
print(f"原始数据:\n{data}")

mean = data.mean(axis=0)  # (3,)
std = data.std(axis=0)    # (3,)
normalized = (data - mean) / std

print(f"每列均值: {mean.round(2)}")
print(f"每列标准差: {std.round(2)}")
print(f"标准化后:\n{normalized.round(2)}")
print(f"标准化后均值: {normalized.mean(axis=0).round(10)}")
print(f"标准化后标准差: {normalized.std(axis=0).round(2)}")

输出

原始数据:
[[51 92 14]
 [71 60 20]
 [82 86 74]
 [74 87 99]
 [23  2 21]]
每列均值: [60.2 65.4 45.6]
每列标准差: [21.22 33.61 34.4 ]
标准化后:
[[-0.43  0.79 -0.92]
 [ 0.51 -0.16 -0.74]
 [ 1.03  0.61  0.83]
 [ 0.65  0.64  1.55]
 [-1.75 -1.89 -0.72]]
标准化后均值: [-0. -0. -0.]
标准化后标准差: [1. 1. 1.]

理解重点

• mean / std 形状 (3,)，与 data (5, 3) 运算时自动沿行广播到 (5, 3)
• 标准化后每列均值为 0、标准差为 1——这正是 StandardScaler 的底层实现
• 用 keepdims=True 得 (1, 3) 形状，语义更明确，对高维也通用

常见坑

1. 维度不兼容时 NumPy 抛 ValueError: operands could not be broadcast together——先打印各自 shape 定位
2. (n,)、(n, 1)、(1, n) 在广播中语义完全不同，不要凭直觉写
3. 广播本身不复制数据（内部用 stride trick），但运算结果会分配新内存
4. 标准化时分母 std 可能为 0（常数列），结果出现 inf / nan，生产代码应加 epsilon
5. 高维张量建议始终用 keepdims=True 聚合，结果形状更可控

小结

• 广播是 NumPy 高性能表达力的核心，消除了大量显式循环
• 记住三条规则（后向对齐、为 1 可扩、缺失补 1），绝大多数场景都能自洽
• 主动使用 np.newaxis / expand_dims 控制广播方向，比依赖隐式 (n,) 更清晰