第 3 章：广播机制（Broadcasting） on 跟我学机器学习

NumPy 广播机制详解：外和、按行缩放、两两差值、按列缩放与归一化 | NumPy 数组计算实战

Sun, 25 Oct 2026 09:30:00 +0800

第 3.1 节核心知识点#

预计学习时长： 40 分钟

本节目标：

说得出广播的三条匹配规则；

会用 None / np.newaxis 给数组加一个维度；

会算外和（两个一维数组两两相加）；

会按行缩放、按列缩放，并且分得清 [:, None] 和 [None, :]；

会做两两差值和按列归一化。

先搞清楚：广播到底是什么#

广播 = NumPy 在运算之前，悄悄把你的数组「拉伸」成同一个形状。

拉伸？听起来很玄，其实就是复制——只不过复制是 NumPy 在底层帮你做的，不占你写的代码，也不占额外内存。

先看一个最简单的例子：

import numpy as np

a = np.array([1.0, 2.0, 3.0])
b = np.array([10.0, 20.0, 30.0])

print(a + b)

[11. 22. 33.]

形状都是 (3,)，长度一样，不需要广播，直接逐个加。

现在把 b 缩短：

print(a + 5)

[6. 7. 8.]

5 是个标量，NumPy 把它当成「到处都是 5 的数组」——这就是最朴素的广播。

再看一个稍微复杂的：

matrix = np.array([
 [1, 2, 3],
 [4, 5, 6],
])
row = np.array([10, 20, 30])

print(matrix + row)

[[11 22 33]
 [14 25 36]]

matrix 是 (3, 2)，row 是 (3,)。结果每行都加上了 row。

NumPy 编程练习：5 道动手题学会广播机制（外和、按行缩放、两两差值、按列缩放、归一化） | NumPy 数组计算实战

Sun, 25 Oct 2026 09:30:00 +0800

第 3.2 节编程练习#

预计学习时长： 45 分钟

练习方式： 新建一个 Jupyter Notebook，把下面的数据抄进去，然后每题独立完成。做完先自己核对输出，再展开参考答案。

准备：先把数据建好#

import numpy as np

sales = np.array([
 [120.0, 135.0, 150.0, 165.0],
 [ 80.0, 92.0, 88.0, 105.0],
 [200.0, 210.0, 195.0, 230.0],
 [ 60.0, 72.0, 85.0, 78.0],
 [150.0, 145.0, 160.0, 175.0],
])

city_names = np.array(["北京", "上海", "广州", "深圳", "成都"])
quarter_names = np.array(["Q1", "Q2", "Q3", "Q4"])

a = np.array([1.0, 2.0, 3.0])
b = np.array([10.0, 20.0, 30.0])

练习 1：使用广播机制计算两个一维数组的外和矩阵#

题目： 完成下面 4 个任务：

用广播算出 a 和 b 的外和矩阵（每一对元素相加），存到 outer_sum；
打印 outer_sum 和它的 shape；
打印 outer_sum[0]，验证它就是「a 的第 0 个元素分别加上 b 的三个元素」；
再算一个外积（每一对元素相乘），存到 outer_prod。

思考题： 为什么结果矩阵的形状是 (3, 3) 而不是 (3, 1) 或 (1, 3)？

NumPy 常见问题答疑：10 个广播机制的疑问（匹配规则、加维度、外和、按行列缩放） | NumPy 数组计算实战

Sun, 25 Oct 2026 09:30:00 +0800

第 3.3 节常见问题#

这一节收集了初学者在 NumPy 广播机制上最常卡的 10 个问题。每个问题都给出直接答案，能跑代码的都附上完整示例。

怎么用这一节 不用通读。遇到问题用 Ctrl+F 搜关键词，直接跳到对应那条。

准备一下数据，下面每题都会用到：

import numpy as np

sales = np.array([
 [120.0, 135.0, 150.0, 165.0],
 [ 80.0, 92.0, 88.0, 105.0],
 [200.0, 210.0, 195.0, 230.0],
 [ 60.0, 72.0, 85.0, 78.0],
 [150.0, 145.0, 160.0, 175.0],
])

a = np.array([1.0, 2.0, 3.0])
b = np.array([10.0, 20.0, 30.0])

Q1：什么是 NumPy 广播机制？为什么需要广播？#

答： 广播就是 NumPy 在运算前，悄悄把你的数组「拉伸」成同一个形状。

为什么需要它？因为真实数据里，「主体」和「系数」的长度往往不一样。

sales = np.zeros((5, 4)) # (5, 4) 5 个城市 × 4 个季度
factor = np.ones(5) # (5,) 5 个城市各自的系数

如果没有广播，你得写一层 for 循环把系数贴到每一行；有广播，一行搞定：

print(sales * factor[:, None])

拉伸的本质是「复制」——但 NumPy 在底层用「重复读取同一块内存」的方式实现，不占额外内存、不复制数据。

一句话：广播 = 隐式的 np.tile + 隐式的逐元素运算。

Q2：NumPy 广播规则的核心判断条件是什么？#

答： 从右往左逐维比较，三条规则：

第 3 章：广播机制（Broadcasting） on 跟我学机器学习

NumPy 广播机制详解：外和、按行缩放、两两差值、按列缩放与归一化 | NumPy 数组计算实战

第 3.1 节 核心知识点#

先搞清楚：广播到底是什么#

NumPy 编程练习：5 道动手题学会广播机制（外和、按行缩放、两两差值、按列缩放、归一化） | NumPy 数组计算实战

第 3.2 节 编程练习#

准备：先把数据建好#

练习 1：使用广播机制计算两个一维数组的外和矩阵#

NumPy 常见问题答疑：10 个广播机制的疑问（匹配规则、加维度、外和、按行列缩放） | NumPy 数组计算实战

第 3.3 节 常见问题#

Q1：什么是 NumPy 广播机制？为什么需要广播？#

Q2：NumPy 广播规则的核心判断条件是什么？#

第 3.1 节核心知识点#

第 3.2 节编程练习#

第 3.3 节常见问题#