P2-11.3 广播与向量化¶

Section ID: P2-11.3 Version: v2026.09.15

标量与数组计算¶

NumPy 将广播描述为不同形状数组参与算术运算的规则。计算时，较小数组被视为具有与较大数组兼容的形状。

广播让不同形状的数组应用共同的计算规则。

给 [82, 75, 45] 中每个分数加 10 或乘 2，分别得到 [92, 85, 55] 与 [164, 150, 90]。

import numpy as np

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

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

输出：

1 2	`[92 85 55] [164 150 90]`

10 和 2 是标量。NumPy 将标量应用到数组的每个位置。

下图展示标量如何应用到整个数组。这是计算规则，不意味着必须在物理内存中复制多份标量。

flowchart TD
    a["scores = [82, 75, 45]<br/>shape = (3,)"]
    a --> b["scores + 10<br/>每个元素加 10"]
    b --> c["[92, 85, 55]<br/>shape = (3,)"]

添加各特征偏移量¶

广播不能强行匹配任意数组，形状必须兼容。

把四个样本各自的三个特征放进矩阵，按特征加上 [0.1, 0.2, 0.3]。第一个样本从 [1.0, 0.2, 7.0] 变成 [1.1, 0.4, 7.3]。

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：

(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]]

本例以行为样本、列为特征，所以 (4, 3) 表示四个样本、三个特征。

feature_offset 的形状为 (3,)，表示每个特征对应一个加数。

NumPy 把 (3,) 数组应用到每一行，让各样本的三个特征加上相同的偏移量。

下图展示 (3,) 向量如何逐行应用到 (4, 3) 矩阵。

flowchart TD
    a["features = [[1.0, 0.2, 7.0],<br/>[0.8, 0.4, 6.5],<br/>[0.3, 0.9, 8.1],<br/>[0.5, 0.1, 5.8]]<br/>shape = (4, 3)"]
    b["feature_offset = [0.1, 0.2, 0.3]<br/>shape = (3,)"]
    a --> c["features + feature_offset<br/>在每一行的对应列上相加"]
    b --> c
    c --> d["[[1.1, 0.4, 7.3],<br/>[0.9, 0.6, 6.8],<br/>[0.4, 1.1, 8.4],<br/>[0.6, 0.3, 6.1]]<br/>shape = (4, 3)"]

形状兼容性¶

给同一矩阵加长度为四的向量，会产生 ValueError。虽然行数为四，但最后一个维度的列数是三。

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,)`

features 的形状为 (4, 3)，每行三个特征；bad_offset 为 (4,)。长度虽然与行数相同，却与每行的三列不匹配。

计算	读法	结果
`(4, 3) + scalar`	所有位置应用同一个值	可行
`(4, 3) + (3,)`	每行应用长度为三的向量	可行
`(4, 3) + (4,)`	长度四与三列不匹配	错误

广播从最后一个维度开始比较。对应大小必须相等，或其中一个为 1；缺少的前导维度视为 1。(4, 3) 与 (3,) 的末尾大小相同，而 (4, 3) 与 (4,) 在 3 和 4 处冲突。

循环与数组运算¶

向量化用数组运算表达计算，而不在代码中显式写出逐项循环。

例如，用 Python 循环给每个分数加 10：

scores = [82, 75, 45]

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

print(adjusted)

循环输出 [92, 85, 55]。换成 NumPy 数组后，scores + 10 计算相同的三个值。

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

print(adjusted)

两者都给每个分数加 10，区别在于表达方式。

方法	代码结构	理解方式
Python 循环	逐个取出并处理数值	显式写出过程
NumPy 向量化	对整个数组应用运算	用数组表达同一计算

NumPy 文档说明，广播支持向量化，使循环在 C 层而非 Python 层进行。向量化不等于重复运算消失。

下图比较同一计算的循环表达与数组表达。

flowchart TD
    a["Python 循环<br/>adjusted = []<br/>for score in scores:<br/>adjusted.append(score + 10)"]
    a --> b["相同计算"]
    b --> c["NumPy 向量化<br/>adjusted = scores + 10"]

减去各特征平均值¶

减去各特征的平均值，是 AI 数据处理中常见的操作，也是让特征均值接近零的中心化步骤。

四个样本的各列均值为 [0.65, 0.4, 6.85]。从每行减去它们后，第一行变为 [0.35, -0.2, 0.15]。

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)

输出如下，可能有浮点显示差异：

[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]]

features.mean(axis=0) 计算各列均值，形状为 (3,)；原数组 features 的形状为 (4, 3)。

features - column_mean 从 (4, 3) 中减去 (3,)，把均值向量应用到每一行。

代码	形状	含义
`features`	`(4, 3)`	四个样本、三个特征
`features.mean(axis=0)`	`(3,)`	各特征均值
`features - column_mean`	`(4, 3)`	从每个样本减去各特征均值

中心化后的各列均值在浮点误差范围内为零。改用 axis=1 会生成形状为 (4,) 的四个行均值，使同一减法失败。

行均值与 keepdims¶

要从每名学生的科目分数中减去该学生的平均分，需把行均值保留为 (学生数, 1)。keepdims=True 把归约轴保留为长度 1，而不是删除它。

marks = np.array([[80, 70, 90], [60, 90, 75]])
row_mean = marks.mean(axis=1, keepdims=True)
row_centered = marks - row_mean

print(row_mean.shape)
print(row_centered)
print(row_centered.mean(axis=1))

(2, 1)
[[  0. -10.  10.]
 [-15.  15.   0.]]
[0. 0.]

省略 keepdims 后，均值形状为 (2,)，不能直接从 (2, 3) 中相减。三行三列的方阵减去 (3,) 可能成功，但这些值按列位置而非按行应用。没有报错不能证明计算沿预期轴进行；行中心化后，还应确认各行均值接近零。

中间数组与内存¶

广播可以避免重复复制输入，但结果数组仍需内存。(10000, 1) 与 (1, 10000) 相加，结果为 (10000, 10000)。仅保存一亿个 float64 元素就需要约 800 MB。因此不仅要看输入大小，还要检查结果形状。

示例代码文件¶

这些示例也可以通过下面文件查看：

p2_11_3_broadcast_vectorization.py

在本地，从项目根目录运行：

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

在 Colab 中，将文件内容粘贴到代码单元。

输出包含标量广播、行向量广播、形状不匹配以及减去特征均值的示例。

案例：按科目与按学生调整¶

两名学生的语文、数学、英语分数为 [80, 70, 90] 与 [60, 90, 75]。按科目分别加 5、10、0，使用长度三的向量，结果为 [85, 80, 90] 与 [65, 100, 75]。

marks = np.array([[80, 70, 90], [60, 90, 75]])
subject_bonus = np.array([5, 10, 0])
student_bonus = np.array([[5], [10]])

print(marks + subject_bonus)
print(marks + student_bonus)

[[ 85  80  90]
 [ 65 100  75]]
[[ 85  75  95]
 [ 70 100  85]]

给第一名学生各科加 5、第二名学生各科加 10，需使用 (2, 1) 形状。每行的调整值应用到全部三科。写成 [5, 10] 则为 (2,)，与最后维度 3 不兼容。

把 subject_bonus 第二个值从 10 改为 0，第一组输出中只有数学恢复为 70 和 90。把 student_bonus 第二个值改为 0，第二组输出中第二名学生的三科都恢复原值。相同的加法，会因调整值的布局而影响不同对象。

检查清单¶

能用广播解释标量与数组计算。
能解释 (4, 3) + (3,) 为何可行。
能解释 (4, 3) + (4,) 为何失败。
能区分 Python 循环与 NumPy 向量化表达。
能解释 features.mean(axis=0) 的结果形状。
能指出减去特征均值时的广播。
能解释广播为何需要检查形状与内存。
能否解释逐行中心化为何使用 keepdims=True，以及如何检查结果？

来源与参考资料¶

NumPy Developers, Broadcasting, NumPy 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 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 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。
NumPy Developers, numpy.mean, NumPy Manual, 查阅日期: 2026-09-15. 沿轴归约及 keepdims 保留轴.