Question

有一个简单的函数，它打算接受标量参数，但也适用于numpy矩阵。为什么函数fun适用于矩阵？

>>> import numpy as np
>>> def fun(a):
      return 1.0 / a

>>> b = 2
>>> c = np.mat([1,2,3])
>>> c
matrix([[1, 2, 3]])

>>> fun(b)
0.5
>>> fun(c)
matrix([[ 1.        ,  0.5       ,  0.33333333]])

>>> v_fun = np.vectorize(fun)
>>> v_fun(b)
array(0.5)
>>> v_fun(c)
matrix([[ 1.        ,  0.5       ,  0.33333333]])

似乎fun以某种方式被矢量化，因为明确的矢量化函数v_fun在矩阵c上的行为相同。但是他们在标量b上获得了不同的输出。有人可以解释一下吗？感谢。

Answer 1

fun的情况称为broadcasting。

一般广播规则

在两个数组上运行时，NumPy会逐元素地比较它们的形状。它从尾随尺寸开始，并向前发展。
时兼容两个维度

他们是平等的，或

其中一个是1

如果不满足这些条件，则会抛出ValueError：frames未对齐的异常，表示阵列具有不兼容的形状。结果数组的大小是输入数组每个维度的最大大小。

Answer 2

{{total_pages}}已经适用于标量和数组 - 因为元素分割是为两者（他们自己的方法）定义的。 fun根本不涉及fun(b)，只是Python操作。

numpy旨在采用仅适用于标量的函数，并从数组中提取元素。在您的示例中，它首先将np.vectorize转换为数组b。对于np.array(b)和此修改后的c，结果是匹配大小的数组。 b是一个2d np.matrix，结果是一样的。请注意，c的类型为fun(b)，而不是array。

这不是使用matrix的好例子，也不是广播的例子。 np.vectorize是一个相当“简单”的功能，不会以特殊的方式处理标量。

np.vectorize甚至1/c的工作原因是b/c，数组“知道”分裂。类似地，定义了数组乘法和加法：c或1+c。

我很想将此标记为

的副本

Python function that handles scalar or arrays

python函数如何处理numpy矩阵和标量？

2 个答案:

一般广播规则