覆盖 Numpy 中的广播约定？

Question

我有两个 Numpy 数组，x 和 y，其中 x 是 n 维且 n>=1 但在“编译时”未知，而 y 是一维的。 x 的第一个维度保证匹配 y 的第一个（也是唯一）维度。我想得到他们的“总和”，称它为s，与x具有相同的维度，如下所示：

import numpy as np

x  = np.random.randn(5,100,10)
y  = np.random.randn(5)

s = np.empty_like(x)
for i in range(x.shape[0]):
   s[i] = x[i] + y[i]

但我想避免使用 for 循环，这既是为了可读性，更重要的是，出于速度原因。

显然，由于 Numpy 中的广播约定如何工作，我不能做 x+y。这要么会引发错误，要么更糟的是，会巧合地产生意外结果。

我找到了两个相对不错的衬垫，

s1 = (x.T + y).T
s2 = x + y[(slice(0, y.shape[0]),) + (np.newaxis,)*(x.ndim-1)]

这还不错。第一个是利用它确实是第一的x 中与 y 中唯一维度匹配的维度。否则它不会工作。第二个更笼统，但相当冗长。

由于我仍在学习 Python 和 Numpy 的过程中，我想知道是否有其他（理想情况下更好，但我也对一般情况感兴趣）的替代方案来做我想做的事情。基本上我可能正在寻找的是一种覆盖广播约定的方法......

Answer 1

您无法更改广播规则。因此，无论采用何种方式，您都必须向 y 添加尾随维度。

您使用了newaxis，生成：

In [9]: y[:,None,None].shape
Out[9]: (5, 1, 1)

为reshape构造一个类似的元组可能会更简单一些：

In [10]: y.reshape((-1,1,1)).shape
Out[10]: (5, 1, 1)

expand_dims 是指定reshape 的另一种方式：

In [11]: np.expand_dims(y,(1,2)).shape
Out[11]: (5, 1, 1)

这些都不是计算昂贵的，即使代码最终有点冗长。