深入理解 Numpy 广播机制，增强数据操作能力

人工智能

2023-12-05 04:32:17

Numpy 广播机制：理解与应用

引言

Numpy 广播机制是数据操作的一项强大工具，可简化复杂操作，减少代码行数。它允许我们将标量、向量和矩阵与具有不同形状的数组进行运算，从而扩展了 Numpy 的功能。

本文将深入探讨 Numpy 广播机制的概念，并通过实战演练展示其应用。我们将从基本概念开始，逐步介绍高级用例，帮助读者全面掌握这一重要机制。

广播机制的概念

广播机制的基本原理是将不同形状的数组扩展到相同的形状，以便它们可以逐元素进行运算。扩展过程如下：

标量扩展到与数组具有相同形状。
低维数组扩展到与高维数组具有相同形状，在较高的维度中补全 1。

实战演练

1. 标量与数组的加法

import numpy as np

# 标量 5 与数组相加
arr = np.array([1, 2, 3])
result = arr + 5

print(result)  # 输出：[6 7 8]

2. 数组与数组的相乘

# 数组 [2, 3, 4] 与数组 [5, 6, 7] 相乘
arr1 = np.array([2, 3, 4])
arr2 = np.array([5, 6, 7])
result = arr1 * arr2

print(result)  # 输出：[10 18 28]

3. 数组与矩阵的点积

# 数组 [1, 2] 与矩阵 [[3, 4], [5, 6]] 的点积
arr = np.array([1, 2])
matrix = np.array([[3, 4], [5, 6]])
result = np.dot(arr, matrix)

print(result)  # 输出：[11 14]

高级用例

1. 维度扩展

广播机制允许我们扩展低维数组的维度，从而进行更高维度的运算。

# 将一维数组 [1, 2] 扩展为二维数组
arr = np.array([1, 2])
result = arr[:, np.newaxis]

print(result)  # 输出：[[1]
                        [2]]

2. 掩码运算

掩码数组可用于选择性地应用操作。

# 创建一个掩码数组，其中值为 True 的元素将参与运算
mask = np.array([True, False, True])

# 将数组 [1, 2, 3] 与掩码相乘
arr = np.array([1, 2, 3])
result = arr * mask

print(result)  # 输出：[1 0 3]