Question

观察：

In [1]: import numpy as np
In [2]: x = np.array([1, 2, 3])
In [3]: np.vstack([x, x])
Out[3]: 
array([[1, 2, 3],
       [1, 2, 3]])

In [4]: np.vstack(np.broadcast(x, x))
Out[4]: 
array([[1, 1],
       [2, 2],
       [3, 3]])

同样适用于column_stack和row_stack（hstack在这种情况下表现不同，但与广播一起使用时也有所不同）。为什么呢？

我遵循背后的逻辑，而不是找到一种方法来修复＆＃34;这种行为（我对它很好，它只是不直观）。

Answer 1

np.broadcast返回一个迭代器对象的实例，该对象描述如何数组应该一起广播。¹除其他外，它描述了形状和生成的数组将具有的维数。

至关重要的是，当你在Python中实际迭代这个对象时，你会从每个输入数组中找回元素元组：

>>> b = np.broadcast(x, x)
>>> b.shape
(3,)
>>> b.ndim
1
>>> list(b)
[(1, 1), (2, 2), (3, 3)]

这告诉我们如果我们对数组执行实际操作（比如x+x），NumPy将返回一个形状(3,)的数组，一个维度并组合元组中的元素以生成最终数组中的值（例如，它将执行1+1，2+2，3+3添加）。

如果您深入了解vstack的来源，您会发现all it does确保已经给出的迭代元素至少是二维的，然后沿轴堆叠它们0

在b = np.broadcast(x, x)的情况下，这意味着我们将以下数组堆叠起来：

>>> [np.atleast_2d(_m) for _m in b]
[array([[1, 1]]), array([[2, 2]]), array([[3, 3]])]

然后垂直堆叠这三个小阵列，产生你注意到的输出。

¹确切地说，不同维度的数组是如何并行迭代的，这是NumPy广播如何运作的核心。代码主要位于iterators.c。由Travis Oliphant自己编写的NumPy多维迭代器的有趣概述可以在Beautiful Code书中找到。

为什么numpy.broadcast＆＃34;转置＆＃34; vstack和类似功能的结果？

1 个答案: