Question

我试图了解numpy的广播如何影响np.allclose的输出。

>>> np.allclose([], [1.])
True

我不明白为什么会有效，但事实并非如此：

>>> np.allclose([], [1., 2.])
ValueError: operands could not be broadcast together with shapes (0,) (2,)

这里的规则是什么？我无法在numpy docs中找到有关空数组的任何内容。

Answer 1

广播不会以任何其他方式影响np.allclose，而不会影响任何其他功能。

与@cel的评论一样，[1.]的维度为1，因此可以广播到任何其他维度，包括0.另一方面，[1., 2.]的维度为2，因此不能广播。

现在为什么allclose([],[1.]) == True？这实际上是有道理的：它意味着[]中的所有元素都接近1.。相反的意思是[]中至少有一个元素不接近1.，显然是False，因为[]中根本没有元素。< / p>

考虑它的另一种方法是问问自己如何实际编码allclose()：

def allclose(array, target=1.):
    for x in array:
        if not isclose(x, target):
            return False
    return True

使用True调用时，这将返回[]。

Answer 2

广播规则也适用于添加，

In [7]: np.array([])+np.array([1.])
Out[7]: array([], dtype=float64)

In [8]: np.array([])+np.array([1.,2.])
....

ValueError: operands could not be broadcast together with shapes (0,) (2,)

让我们看一下形状。

In [9]: np.array([]).shape,np.array([1.]).shape,np.array([1,2]).shape
Out[9]: ((0,), (1,), (2,))

（0，）和（1，） - 可以调整(1,)以匹配另一个数组的形状。可以调整1维度以匹配其他数组，例如从1增加到3.但是这里（显然）从1调整为0.我通常不使用0的数组维度，但这看起来像是对更高维度的适当概括。

尝试（0，）和（1,1）。结果是（1,0）：

In [10]: np.array([])+np.array([[1.]])
Out[10]: array([], shape=(1, 0), dtype=float64)

（0，），（1,1）=＆gt; （1,0），（1,1）=＆gt; （1,0）

形状（0，）和（2，）的第二种情况;没有任何尺寸1尺寸需要调整，因此错误。

形状（0，）和（2,1）进行广播（至（2,0））：

In [12]: np.array([])+np.array([[1.,2]]).T
Out[12]: array([], shape=(2, 0), dtype=float64)

为什么numpy的广播有时会允许比较不同长度的数组？

2 个答案: