广播规则
理解 NumPy 的广播规则，以便在不显式复制的情况下，将一维数组加到二维数组的每一行上。
广播规则 是 CoddyKit 上的免费 Pandas & NumPy Academy 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Pandas & NumPy Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Pandas & NumPy Academy 课程共包含 4 节课。
广播要解决的问题
广播允许 NumPy 在不复制数据的情况下组合形状不同但相互兼容的数组——较小的数组会扩展以匹配较大的数组。
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,)广播规则 1：在前面补 1
NumPy 会从右侧对齐形状。如果一个数组的维度更少，就在左侧补上 1——因此，在形状为 (4, 3) 的数组旁边，形状为 (3,) 的数组会表现得像 (1, 3)。
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.]]广播规则 2：扩展大小为 1 的维度
任何大小为 1的维度都可以扩展，以匹配另一个数组——实际上不会复制数据。两个数组可以同时扩展各自大小为 1 的维度。
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)广播规则 3：形状不兼容
如果两个维度不相等，且都不是 1，广播就会因 ValueError 失败。先检查形状，可以得到清晰的错误，而不是悄无声息的错误结果。
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,)实践：减去列平均值
一个经典操作是：从每一行中减去各列的平均值，从而使数据以 0 为中心。使用 keepdims=True 后，平均值会保留适合广播的形状。
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.]]实践：按行归一化
要使每一行的总和为 1，请除以该行的总和。使用 keepdims=True，这样总和会保持形状 (n, 1)，并沿列进行广播。
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 ]]通过广播计算外积
将一个数组重塑为 (n, 1)，将另一个数组重塑为 (1, m)，然后进行相乘——广播会为您构建完整的外积矩阵，无需编写循环。
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]]对三维数组进行广播
广播可以扩展到任意维度。形状为 (100, 28, 28) 的图像批次，可以减去形状为 (1, 28, 28) 的逐像素平均值来进行中心化——NumPy 会扩展这个 1。
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)使用 np.broadcast_to 显式扩展
np.broadcast_to 会准确展示广播产生的结果，并以不复制数据的只读视图呈现。它非常适合直观理解形状的对齐方式。
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) # False直观理解兼容的形状
一个实用规则是：从右侧对齐形状，并逐一检查每对维度。如果两个维度相等，或其中一个为 1，它们就是兼容的。运行代码前，先预测形状！
# 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)常见的广播错误
广播中最常见的陷阱，是聚合后忘记使用 keepdims=True，导致形状无法对齐。如果遇到问题，请打印 print(arr.shape)，看看实际发生了什么。
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) OK快速检查
请检验您对本课 NumPy 广播规则的理解。
课程回顾
您已经掌握了！广播会扩展大小为 1 的维度，从右侧比较形状，而 keepdims=True 会保留轴，使数学运算能够对齐。接下来学习：布尔掩码。
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「广播规则」课时是免费的吗？
是的 — 「广播规则」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Pandas & NumPy Academy 课程的其余内容，请升级到 CoddyKit PRO。 Pandas & NumPy Academy 课程共包含 4 节课。
「广播规则」这节课中我会学到什么？
理解 NumPy 的广播规则，以便在不显式复制的情况下，将一维数组加到二维数组的每一行上。 你通过在浏览器中直接运行的动手代码来练习 Pandas & NumPy Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Pandas & NumPy Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Pandas & NumPy Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「广播规则」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Pandas & NumPy Academy 课中编写并运行代码吗？
能。每节 Pandas & NumPy Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。