NumPy 进阶：搞懂广播机制，才能真正玩转数组

一、前情回顾：数组的“超能力”从哪来？

上一章我们已经知道，NumPy 数组能直接做加减乘除：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(arr * 2)
# [ 2  4  6  8 10]

但你有没有想过，为什么这个操作不报错？

Python 原生列表可做不到这事儿。

二、广播机制的核心原理

简单一句话总结：

广播就是 NumPy 在维度不匹配时自动扩展数组，使它们形状兼容。

来，我们先用一个经典例子开胃 👇

a = np.array([[1, 2, 3],
              [4, 5, 6]])

b = np.array([10, 20, 30])

print(a + b)

输出：

[14 25 36]]

看似理所当然，但实际上这背后 NumPy 悄悄做了扩展 👇

三、广播规则总结

1. 从 尾部维度 开始对齐；
2. 每个维度要么相等，要么其中一个是 1；
3. 不满足规则时，广播失败（直接报错）。

A.shape = (4, 1, 3)
B.shape = (1, 5, 3)
# 结果 -> (4, 5, 3)

A.shape = (3, 2)
B.shape = (2, 3)
# 维度都不匹配，直接报错！

四、copy vs view：NumPy 的内存诡计

你可能遇到过这种情况 👇

arr = np.arange(6).reshape(2, 3)
sub = arr[:, 1:]
sub[0, 0] = 99

print(arr)

输出：

[[ 0 99  2]
 [ 3  4  5]]

为什么我改了 sub，arr 也跟着变了？

🔍 如何判断是否为 view？

sub.base is arr  # True -> 表示 sub 是 arr 的视图

如果想要真正复制一份独立的副本：

sub = arr[:, 1:].copy()

五、性能优化：让你的代码飞起来 🚀

1️⃣ 避免循环

# 慢
for i in range(len(arr)):
    arr[i] *= 2

# 快
arr *= 2

循环会触发 Python 解释器逐元素执行；
而向量化运算在底层 C 实现中批量计算，速度往往快几十倍。

2️⃣ 使用 numexpr 进行表达式优化

import numexpr as ne

a = np.random.rand(10_000_000)
b = np.random.rand(10_000_000)
c = np.random.rand(10_000_000)

# 普通写法
res1 = a * b + c

# numexpr 写法
res2 = ne.evaluate("a * b + c")

numexpr 会自动进行并行和缓存优化，CPU 利用率更高。

3️⃣ 就地操作（In-place）

arr *= 2  # 就地修改，不创建新数组

这种写法可以节省内存分配，尤其在大数组时效果显著。

六、实用技巧锦集 🧰

这些都是项目中常用的“手上活儿”。

七、性能演示：到底快多少？

import time

a = list(range(10_000_000))
start = time.time()
b = [x * 2 for x in a]
print("耗时:", time.time() - start)

# 耗时: 0.13944315910339355

import numpy as np
import time

a = np.arange(10_000_000)
start = time.time()
b = a * 2
print("耗时:", time.time() - start)

# 耗时: 0.05504918098449707

实测下来：NumPy 版本比纯 Python 快 30～100 倍。
一旦数据量大，优势就像核弹一样炸裂 💥。

八、小结

🏁 系列目录

1. ✅ NumPy 入门：别再用 for 循环折磨自己了
2. ✅ NumPy 进阶：搞懂广播机制，才能真正玩转数组
3. 🔜 NumPy 实战：用数组玩转图像与数据分析

作者: Caleb 文章链接: https://reinness.com/posts/299 版权声明:  本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自小陈博客 ！