Broadcastingregels
Begrijp de broadcastingregels van NumPy, zodat u een 1D-array bij elke rij van een 2D-array kunt optellen zonder expliciete replicatie.
Broadcastingregels is een gratis Pandas & NumPy Academy-les op CoddyKit. Dit is les 3 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Pandas & NumPy Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Pandas & NumPy Academy bevat in totaal 4 lessen.
Het probleem dat broadcasting oplost
Met broadcasting kan NumPy arrays met verschillende maar compatibele vormen combineren zonder gegevens te kopiëren: de kleinere array wordt uitgerekt zodat deze in de grotere past.
import numpy as np
# Adding a scalar to an array is the simplest broadcast
a = np.array([1, 2, 3])
print(a + 10) # [11 12 13]
# Scalar 10 is 'broadcast' to shape (3,)Broadcasting-regel 1: voeg enen toe aan het begin
NumPy lijnt vormen van rechts uit. Als een array minder dimensies heeft, vult NumPy de linkerkant aan met enen. Zo gedraagt een array met vorm (3,) zich naast een array met vorm (4, 3) alsof deze vorm (1, 3) heeft.
import numpy as np
m = np.ones((4, 3))
v = np.array([10, 20, 30]) # shape (3,) -> treated as (1, 3)
result = m + v # shape (4, 3)
print(result)
# [[11. 21. 31.]
# [11. 21. 31.]
# [11. 21. 31.]
# [11. 21. 31.]]Broadcasting-regel 2: dimensies met grootte 1 uitrekken
Elke dimensie met grootte 1 kan worden uitgerekt zodat deze overeenkomt met de andere array; er worden daadwerkelijk geen gegevens gekopieerd. Beide arrays kunnen hun dimensies met grootte 1 tegelijk uitrekken.
import numpy as np
# (3, 1) + (1, 4) --> (3, 4)
col = np.array([[1], [2], [3]]) # shape (3, 1)
row = np.array([[10, 20, 30, 40]]) # shape (1, 4)
print((col + row).shape) # (3, 4)
print(col + row)Broadcasting-regel 3: incompatibele vormen
Als twee dimensies niet gelijk zijn en geen van beide 1 is, mislukt broadcasting met een ValueError. Controleer de vormen eerst, zodat je een duidelijke fout krijgt in plaats van een onopvallende bug.
import numpy as np
a = np.ones(3)
b = np.ones(4)
try:
a + b
except ValueError as e:
print(e)
# operands could not be broadcast together with shapes (3,) (4,)Praktijk: het kolomgemiddelde aftrekken
Een klassieke bewerking: trek het gemiddelde van elke kolom af van elke rij om je gegevens te centreren. Met keepdims=True behoudt het gemiddelde een vorm die correct kan worden gebroadcast.
import numpy as np
data = np.array([[1., 2., 3.],
[4., 5., 6.],
[7., 8., 9.]])
col_mean = data.mean(axis=0) # shape (3,)
centred = data - col_mean # broadcast along axis 0
print(centred)
# [[-3. -3. -3.]
# [ 0. 0. 0.]
# [ 3. 3. 3.]]Praktijk: rijen normaliseren
Als elke rij een som van 1 moet hebben, deel je door de som van die rij. Gebruik keepdims=True zodat de som de vorm (n, 1) behoudt en over de kolommen kan worden gebroadcast.
import numpy as np
m = np.array([[1., 2., 3.],
[4., 5., 6.]])
row_sums = m.sum(axis=1, keepdims=True) # shape (2, 1)
normed = m / row_sums
print(normed.round(3))
# [[0.167 0.333 0.5 ]
# [0.267 0.333 0.4 ]]Uitwendige producten via broadcasting
Vorm de ene array om naar (n, 1) en de andere naar (1, m), en vermenigvuldig ze vervolgens. Broadcasting bouwt de volledige matrix van het uitwendige product voor je, zonder lussen.
import numpy as np
a = np.array([1, 2, 3])
b = np.array([10, 20, 30, 40])
outer = a[:, np.newaxis] * b[np.newaxis, :]
print(outer)
# [[ 10 20 30 40]
# [ 20 40 60 80]
# [ 30 60 90 120]]Broadcasting met 3D-arrays
Broadcasting werkt met dimensies van elke grootte. Een batch afbeeldingen met vorm (100, 28, 28) kan worden gecentreerd met een gemiddelde per pixel met vorm (1, 28, 28): NumPy rekt de 1 uit.
import numpy as np
batch = np.random.rand(100, 28, 28) # 100 images
pixel_mean = batch.mean(axis=0, keepdims=True) # (1, 28, 28)
centred = batch - pixel_mean # (100, 28, 28)
print(centred.shape) # (100, 28, 28)np.broadcast_to voor expliciet uitrekken
np.broadcast_to laat precies zien wat broadcasting oplevert, als een alleen-lezenweergave zonder kopie. Het is ideaal om te visualiseren hoe vormen op elkaar worden afgestemd.
import numpy as np
a = np.array([1, 2, 3])
view = np.broadcast_to(a, (4, 3))
print(view)
# [[1 2 3]
# [1 2 3]
# [1 2 3]
# [1 2 3]]
print(view.flags.writeable) # FalseCompatibele vormen visualiseren
Een handige regel: lijn vormen van rechts uit en controleer elk paar. Ze zijn compatibel als ze gelijk zijn of als één van beide 1 is. Voorspel de vormen voordat je de code uitvoert!
# Shape compatibility examples:
# (3, 4) + ( 4) -> (3, 4) OK: 4==4, 1 implied
# (3, 4) + (3, 1) -> (3, 4) OK: 4 vs 1, 3==3
# (2, 3, 4) + (3, 4) -> (2, 3, 4) OK
# (3, 4) + (3, ) -> ERROR: 4 vs 3
import numpy as np
print(np.zeros((3,4)).shape) # (3, 4)
print((np.zeros((3,4)) + np.zeros(4)).shape) # (3, 4)Veelgemaakte fouten bij broadcasting
De meest voorkomende valkuil bij broadcasting is dat je keepdims=True vergeet na een aggregatie, waardoor vormen niet meer op elkaar aansluiten. Druk bij twijfel print(arr.shape) af om te zien wat er echt gebeurt.
import numpy as np
m = np.arange(6).reshape(2, 3)
row_max = m.max(axis=1) # shape (2,) NOT (2,1)
print(row_max.shape) # (2,)
# m - row_max -> ERROR: shapes (2,3) and (2,) misalign
row_max_col = row_max[:, np.newaxis] # shape (2, 1)
print((m - row_max_col).shape) # (2, 3) OKKorte controle
Test je begrip van de broadcasting-regels van NumPy uit deze les.
Samenvatting van de les
Je hebt het door! Bij broadcasting worden dimensies met grootte 1 uitgerekt, worden vormen van rechts vergeleken en zorgt keepdims=True ervoor dat assen behouden blijven, zodat de berekeningen op elkaar aansluiten. Hierna: booleaanse maskers.
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Broadcastingregels” gratis?
Ja — de volledige tekst van “Broadcastingregels” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Pandas & NumPy Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Pandas & NumPy Academy bevat in totaal 4 lessen.
Wat leer ik in “Broadcastingregels”?
Begrijp de broadcastingregels van NumPy, zodat u een 1D-array bij elke rij van een 2D-array kunt optellen zonder expliciete replicatie. Je oefent met Pandas & NumPy Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Pandas & NumPy Academy te beginnen?
Ervaring vooraf is niet nodig. Pandas & NumPy Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 3 van 4.
Hoe lang duurt de les “Broadcastingregels”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Pandas & NumPy Academy?
Ja. Elke les over Pandas & NumPy Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Universele functies (ufuncs)
- Aggregatiefuncties
- Broadcastingregels
- Booleaanse maskers en fancy indexing