P2-11.3 广播与向量化¶

Section ID: P2-11.3 Version: v2026.07.20

在 P2-11.1 中，我们检查了 NumPy array 的 shape、ndim、dtype。在 P2-11.2 中，我们用 indexing、slicing、axis 来决定从数组的哪一部分读取，以及沿哪个方向计算。

现在再往前走一步。在 NumPy 代码里，经常会看到没有直接写循环，却对整个数组都施加了计算。

例如，下面的代码把一个数字加到整个数组上。

问题场景：用最小例子确认，不写循环时是否也能把同一个值加到整个数组上。 输入(input)：一个包含三个分数的数组，以及标量 10。 期待输出(output)：打印一个新数组，其中每个值都加上了 10。 要确认的概念：看到广播的第一层直觉，是把一个标量应用到数组的每个位置。

1
2
3
4
5

# 这个例子用广播和向量化把同一计算规则应用到整个数组。
import numpy as np

scores = np.array([82, 75, 45])
print(scores + 10)

输出如下。

1

[92 85 55]

代码里没有 for。但从结果看，每个值都加上了 10。要理解这种计算，需要把 broadcasting 和 vectorization 一起看。

本节说明 broadcasting 与 vectorization 的基本区分。NumPy、shape、axis 的代表性说明仍放在 P2-11.1、P2-11.2 和 概念词汇表，这里专注于：计算是怎样扩散到整个数组上的。

核心判断标准：广播与向量化¶

• 能把 broadcasting 解释为：较小数组像是被匹配到较大数组的 shape 上来进行计算的规则。
• 能把 scalar 与 array 的计算读成逐位置计算。
• 能说明把形状 (m,) 的向量加到或减去形状 (n, m) 的数据矩阵的例子。
• 能说明 shape 不匹配时会出现 broadcasting 错误。
• 能把 vectorization 解释为：不是“重复消失了”，而是“Python 循环被表达成了一次数组运算”。

三个标准¶

Broadcasting 通过匹配 Shape 来完成计算¶

NumPy 官方文档把 broadcasting 介绍为：在算术运算中，如何处理不同 shape 的数组。较小数组会在计算时被视为与较大数组兼容的形状。

这里把 broadcasting 理解为 把较小的值或较小的数组，按较大数组的形状重复应用的规则。

最容易的例子，是 scalar 与 array 的计算。

问题场景：比较标量加到或乘到整个数组上时，结果怎样变化。 输入(input)：分数数组 scores，以及标量 10、2。 期待输出(output)：分别打印 +10 的结果和 *2 的结果。 要确认的概念：确认标量运算会把同样的规则应用到数组每个位置。

1
2
3
4
5

# 这个例子用广播和向量化把同一计算规则应用到整个数组。
scores = np.array([82, 75, 45])

print(scores + 10)
print(scores * 2)

输出如下。

1
2

[92 85 55]
[164 150  90]

这里的 10 和 2 就是 scalar。NumPy 会把这个 scalar 应用到数组的每个位置。

下面的图示展示了：一个 scalar 如何被重复应用到整个数组。更安全的理解方式，不是把同一个值真的复制很多次，而是理解成“同一条计算规则应用到了每个位置”。

数组一起计算时，要先看 Shape¶

broadcasting 不是强行让任意数组都匹配的功能。shape 必须兼容。

例如，看下面这些数组。

问题场景：一起查看 shape 和结果，确认 feature-wise offset 向量能否加到 feature matrix 上。 输入(input)：形状为 (4, 3) 的 features 和形状为 (3,) 的 feature_offset。 期待输出(output)：打印两个数组的 shape 以及调整后的矩阵。 要确认的概念：看到长度为 3 的向量可以广播到每一行的 3 个 feature 上。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

# 这个例子用广播和向量化把同一计算规则应用到整个数组。
features = np.array([
    [1.0, 0.2, 7.0],
    [0.8, 0.4, 6.5],
    [0.3, 0.9, 8.1],
    [0.5, 0.1, 5.8],
])

feature_offset = np.array([0.1, 0.2, 0.3])

print(features.shape)
print(feature_offset.shape)
print(features + feature_offset)

输出如下。

1
2
3
4
5
6

(4, 3)
(3,)
[[1.1 0.4 7.3]
 [0.9 0.6 6.8]
 [0.4 1.1 8.4]
 [0.6 0.3 6.1]]

features 的 shape 是 (4, 3)，可以读成 4 个 sample、3 个 feature。

feature_offset 的 shape 是 (3,)，可以读成对 3 个 feature 分别要加的值。

NumPy 会判断：形状 (3,) 的数组可以作用到每一行上。所以同样的 offset 会加到每个 sample 的三个 feature 上。

下面的图示展示了：形状 (3,) 的向量如何逐行应用到 (4, 3) 的数据矩阵。

不兼容的 Shape 会导致错误¶

broadcasting 很方便，但如果 shape 不匹配，就会报错。

问题场景：确认为什么看上去有点像的 shape，仍然会因为不匹配而报错。 输入(input)：形状 (4, 3) 的矩阵 features 和长度为 4 的向量 bad_offset。 期待输出(output)：先打印两个 shape，然后出现 broadcasting 错误。 要确认的概念：看到 broadcasting 不会让任意数组都匹配起来，而且从最后一个维度开始的兼容性很重要。

1
2
3
4
5
6

# 这个例子用广播和向量化把同一计算规则应用到整个数组。
bad_offset = np.array([10, 20, 30, 40])

print(features.shape)
print(bad_offset.shape)
print(features + bad_offset)

这段代码会报错。

1

ValueError: operands could not be broadcast together with shapes (4,3) (4,)

为什么？

features 是 (4, 3)。每一行有 3 个 feature。可 bad_offset 是 (4,)。这 4 个值看上去像是能对应 4 行，但它并不能对应每行内部的 3 列。

先记住下面这个标准。

精确规则会更复杂，但在这个阶段，重要直觉是：先看最后一个维度是否匹配。

Vectorization 是把重复写成数组运算¶

vectorization 是一种表达方式：不直接写 Python 循环，而是用数组运算来表达计算。

例如，用 Python 循环给每个分数加 10，可以这样写。

问题场景：在和数组运算比较之前，先直接用循环写出同样的工作。 输入(input)：一个包含三个分数的 Python list。 期待输出(output)：打印一个每个分数都加了 10 的列表。 要确认的概念：看到 vectorization 就是把这样的重复计算更紧凑地写成数组运算。

1
2
3
4
5
6
7
8

# 这个例子用广播和向量化把同一计算规则应用到整个数组。
scores = [82, 75, 45]

adjusted = []
for score in scores:
    adjusted.append(score + 10)

print(adjusted)

换成 NumPy array，可以写成这样。

问题场景：把刚才用循环做的事，改写成一行 NumPy 数组运算。 输入(input)：分数数组 scores 和标量 10。 期待输出(output)：打印调整后的分数数组。 要确认的概念：确认 vectorization 不等于重复消失，而是把重复写成了数组级语法。

1
2
3
4
5

# 这个例子用广播和向量化把同一计算规则应用到整个数组。
scores = np.array([82, 75, 45])
adjusted = scores + 10

print(adjusted)

两种写法都在给每个分数加 10。区别在于表达方式。

NumPy 官方文档说明，broadcasting 提供了 vectorizing array operations 的手段，并让重复发生在 C 层而不是 Python 层。因此，把 vectorization 理解成“重复消失了”并不准确。

更安全的表达是，把 vectorization 看成 不是用 Python 的 for，而是用数组运算来表达重复计算的方法。

下面的图示展示了：同一个计算如何分别以循环和数组运算的形式表达。

flowchart TD
    loop["Python 循环视图<br/>adjusted = []<br/>for score in scores:<br/>adjusted.append(score + 10)"]
    bridge["同一个意思"]
    vectorized["NumPy 向量化视图<br/>adjusted = scores + 10"]

    loop --> bridge --> vectorized

    classDef loopBox fill:#f8fafc,stroke:#cbd5e1,stroke-width:2px,color:#0f172a;
    classDef bridgeBox fill:#ffffff,stroke:#cbd5e1,stroke-width:2px,color:#0f172a;
    classDef vectorBox fill:#eff6ff,stroke:#2563eb,stroke-width:2px,color:#0f172a;

    class loop loopBox;
    class bridge bridgeBox;
    class vectorized vectorBox;

按 Feature 减去平均值的例子¶

在 AI 数据处理中，一个常见例子是减去每个 feature 的平均值。可以把它读成“让平均值更靠近 0”的预处理起点。

先创建数据矩阵。

问题场景：在按 feature 减平均值的预处理中，一起查看平均值向量和中心化结果。 输入(input)：形状为 (4, 3) 的 feature matrix features。 期待输出(output)：打印按列求出的平均值向量，以及减去平均值后的矩阵。 要确认的概念：看到 mean(axis=0) 结果 (3,) 会广播到每一行，从而形成中心化。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

# 这个例子用广播和向量化把同一计算规则应用到整个数组。
features = np.array([
    [1.0, 0.2, 7.0],
    [0.8, 0.4, 6.5],
    [0.3, 0.9, 8.1],
    [0.5, 0.1, 5.8],
])

column_mean = features.mean(axis=0)
centered = features - column_mean

print(column_mean)
print(centered)

输出大致如下。

1
2
3
4
5

[0.65 0.4  6.85]
[[ 0.35 -0.2   0.15]
 [ 0.15  0.   -0.35]
 [-0.35  0.5   1.25]
 [-0.15 -0.3  -1.05]]

这里，features.mean(axis=0) 计算的是每一列的平均值，结果 shape 是 (3,)。features 的 shape 是 (4, 3)。

features - column_mean 是从 (4, 3) 中减去 (3,) 的计算。NumPy 会把这个平均值向量应用到每一行。

这个例子直接连到 P2-11.2 里 axis 的说明。

重要的不只是“算出一个平均值”，而是要一起读出：平均值是沿哪个轴算的、结果 shape 是什么、以及它如何应用回原数组。

Broadcasting 很方便，但并不总是最好¶

broadcasting 和 vectorization 可以让代码更短，也常常更容易读。但这不等于它们永远是更好的方法。

要注意三件事。

第一，如果不检查 shape，就可能做出和原意不同的计算。

第二，复杂的 broadcasting 会让代码变得难读。

第三，在某些情况下，可能会创建过大的中间数组，消耗很多内存。NumPy 官方文档也提醒：broadcasting 通常高效，但某些算法里可能会低效地使用内存。

所以入门阶段一个好的习惯是下面这样。

问题场景：检查在做 broadcasting 计算之前，应该先打印哪些 shape。 输入(input)：原始矩阵 features 与列平均值向量 column_mean。 期待输出(output)：打印这两个数组的 shape。 要确认的概念：看到 broadcasting 看起来再方便，也应该先检查 shape。

1
2
3

# 这个例子用广播和向量化把同一计算规则应用到整个数组。
print(features.shape)
print(column_mean.shape)

计算之前先看 shape。

示例代码文件¶

本节示例代码也可以在下面这个文件中查看。

• p2_11_3_broadcast_vectorization.py

在本地 PC 上，可以在项目根目录这样运行。

1

python docs/assets/part-02/chapter-11/p2_11_3_broadcast_vectorization.py

在 Colab 里，可以把文件内容贴进代码单元后执行。

输出中包含 scalar broadcasting、row vector broadcasting、shape mismatch 错误例子，以及按 feature 去均值的例子。

结合案例来看¶

案例 1. 为什么要一次性给所有学生加上修正分数¶

学习者想给每个学生的分数加上修正值时，很自然会想用 for 循环一个个处理。这种方式对理解过程有帮助，但当 feature 变多、sample 变多后，同样的计算就要一遍遍写，代码会变长。

在 NumPy array 里，同样的计算可以通过 scores + 10，或者把形状 (3,) 的向量加到 (4, 3) 的矩阵上，一次性表达出来。这里重要的不是 NumPy 在“魔法般地替你算”，而是把人原本重复做的同一运算，改写成了数组级语法。

例如，如果你要给每个有三个 feature 的学生都加上 [0.1, 0.2, 0.3] 这样的 feature-wise offset，那么同一个长度为 3 的向量会应用到 (4, 3) 矩阵的每一行。相反，如果你想加一个 (4,) 的向量，就会因为 shape 不匹配而报错。所以最先要检查的永远是 shape，而不是方便不方便。

这个案例把 broadcasting 和 vectorization 重新绑回真实计算场景。重复并没有被删除，而是改写成了数组计算。要让这种表达安全工作，就必须先读出：较小数组和较大数组各自对应的到底是什么问题。

检查清单¶

• 能把 scalar 与 array 的计算解释成 broadcasting。
• 能说明为什么 (4, 3) + (3,) 可行。
• 能说明为什么 (4, 3) + (4,) 可能立即失败。
• 能说明 Python loop 与 NumPy vectorized expression 的差别。
• 能说明 features.mean(axis=0) 的结果 shape。
• 能说明在按 feature 去均值的计算里，broadcasting 发生在什么地方。
• 能说明 broadcasting 不总是最佳选择，而且需要检查 shape 与内存使用。
• 能说明 broadcasting 是让较小的值或数组按较大数组 shape 参与计算的规则。

来源与参考资料¶

• NumPy Developers, Broadcasting, NumPy v2.5 Manual，确认日期：2026-07-20。作为 broadcasting rules、维度比较和 shape mismatch 错误说明的核心依据。
• NumPy Developers, NumPy quickstart, NumPy v2.5 Manual，确认日期：2026-07-20。用于确认 array arithmetic、universal functions 和基本 axis calculation 示例。
• NumPy Developers, NumPy: the absolute basics for beginners, NumPy v2.5 Manual，确认日期：2026-07-20。作为把 Python 循环读成数组级计算并先检查 shape 的入门流程依据。