测试数组是否可以广播到给定形状的最佳方法是什么？
trying 的“pythonic”方法不适用于我的情况，因为其目的是对操作进行惰性评估。
我在问如何在下面实现is_broadcastable：
>>> x = np.ones([2,2,2])
>>> y = np.ones([2,2])
>>> is_broadcastable(x,y)
True
>>> y = np.ones([2,3])
>>> is_broadcastable(x,y)
False
或者更好：
>>> is_broadcastable(x.shape, y.shape)
【问题讨论】：
标签： python arrays numpy multidimensional-array
您可以使用np.broadcast。例如：
In [47]: x = np.ones([2,2,2])
In [48]: y = np.ones([2,3])
In [49]: try:
....: b = np.broadcast(x, y)
....: print "Result has shape", b.shape
....: except ValueError:
....: print "Not compatible for broadcasting"
....:
Not compatible for broadcasting
In [50]: y = np.ones([2,2])
In [51]: try:
....: b = np.broadcast(x, y)
....: print "Result has shape", b.shape
....: except ValueError:
....: print "Not compatible for broadcasting"
....:
Result has shape (2, 2, 2)
对于惰性求值的实现，您可能还会发现np.broadcast_arrays 很有用。
【讨论】：
broadcast_arrays 是我为了获得懒惰而寻找的东西，但我仍然需要一个验证阶段 - 我如何测试形状 A 是否可以广播到形状 B，假设我不手头有形状 B 的数组吗？
如果您只是想避免使用给定形状实现数组，可以使用 as_strided：
import numpy as np
from numpy.lib.stride_tricks import as_strided
def is_broadcastable(shp1, shp2):
x = np.array([1])
a = as_strided(x, shape=shp1, strides=[0] * len(shp1))
b = as_strided(x, shape=shp2, strides=[0] * len(shp2))
try:
c = np.broadcast_arrays(a, b)
return True
except ValueError:
return False
is_broadcastable((1000, 1000, 1000), (1000, 1, 1000)) # True
is_broadcastable((1000, 1000, 1000), (3,)) # False
这是节省内存的，因为 a 和 b 都由单个记录支持
【讨论】：
我真的觉得你们想多了，为什么不简单点呢？
def is_broadcastable(shp1, shp2):
for a, b in zip(shp1[::-1], shp2[::-1]):
if a == 1 or b == 1 or a == b:
pass
else:
return False
return True
【讨论】：
要将其推广到任意多个形状，您可以这样做：
def is_broadcast_compatible(*shapes):
if len(shapes) < 2:
return True
else:
for dim in zip(*[shape[::-1] for shape in shapes]):
if len(set(dim).union({1})) <= 2:
pass
else:
return False
return True
对应的测试用例如下：
import unittest
class TestBroadcastCompatibility(unittest.TestCase):
def check_true(self, *shapes):
self.assertTrue(is_broadcast_compatible(*shapes), msg=shapes)
def check_false(self, *shapes):
self.assertFalse(is_broadcast_compatible(*shapes), msg=shapes)
def test(self):
self.check_true((1, 2, 3), (1, 2, 3))
self.check_true((3, 1, 3), (3, 3, 3))
self.check_true((1,), (2,), (2,))
self.check_false((1, 2, 3), (1, 2, 2))
self.check_false((1, 2, 3), (1, 2, 3, 4))
self.check_false((1,), (2,), (3,))
【讨论】：
当您想要检查任意数量的类似数组的对象（与传递形状相反）时，我们可以将np.nditer 用于broadcasting array iteration。
def is_broadcastable(*arrays):
try:
np.nditer(arrays)
return True
except ValueError:
return False
请注意，这只适用于np.ndarray 或定义__array__ 的类（将被调用）。
【讨论】：
numpy.broadcast_shapes 现在从 numpy 1.20 开始可用，因此它可以像这样轻松实现：
import numpy as np
def is_broadcastable(shp1, shp2):
try:
c = np.broadcast_shapes(shp1, shp2)
return True
except ValueError:
return False
在底层，它使用零长度列表numpy数组来调用broadcast_arrays，这样做：
np.empty(shp, dtype=[])
这样可以避免分配内存。类似于@ChrisB提出的解决方案，但不依赖as_strided的技巧，我觉得有点混乱。
【讨论】：
当顺序很重要时，例如测试np.broadcast_to(a, b.shape) 是否有效，这似乎很有效：
def is_broadcastable(src, dst):
try:
return np.broadcast_shapes(src, dst) == dst
except ValueError:
return False
np.broadcast_shaps 的返回值与给定参数的顺序无关，我们需要确保结果与dst 相同； dst 是“更大”的尺寸。
【讨论】：