Numpy 如何从数字数组a计算每个参数a的每个和

我想计算a中a的每个值的以下总和：

D = np.array([1, 2, 3, 4])
A = np.array([0.5, 0.25, -0.5]) 
beta = 0.5

np.sum(np.square(beta) - np.square(D-a))

结果是所有和的数组。要手动计算它，它将如下所示：

 [np.sum(np.square(beta)-np.square(D-0.5)), 
  np.sum(np.square(beta)-np.square(D-0.25)),
  np.sum(np.square(beta)-np.square(D-0.5))]

---

我对numpy不太熟悉，所以可能有一种矢量化的方法来实现这一点。但通过列表理解，这将：

[ np.sum(np.square(beta) - np.square(D-a)) for a in A ]

输出：

[-20.0, -24.25, -40.0]

---

将

np.sum

与广播一起使用

np.sum(np.square(beta) - np.square(D[None,:] - A[:,None]), axis=1)

Out[98]: array([-20.  , -24.25, -40.  ])

---

解释：我们需要整个数组D减去数组A的每个元素。我们不能简单地调用

D

-

A

，因为它只是在

D

和

A

之间进行元素相减。因此，我们需要使用numpy广播。我们需要在

D

和

A

中增加一个维度，以满足广播规则。之后，只需进行计算并沿轴=1求和

一步一步地：
将轴=0处的尺寸

D

从

1D

增加到

2D

In [10]: D[None,:]
Out[10]: array([[1, 2, 3, 4]])

In [11]: D.shape
Out[11]: (4,)

In [12]: D[None,:].shape
Out[12]: (1, 4)

对

A

执行相同操作，但轴=1

In [13]: A[:,None]
Out[13]: 
array([[ 0.5 ],
       [ 0.25],
       [-0.5 ]])

In [14]: A.shape
Out[14]: (3,)

In [15]: A[:,None].shape
Out[15]: (3, 1)

在减法运算中，numpy广播开始将每个数组广播到兼容的维度，并执行减法运算以创建2D数组结果

In [16]: D[None,:] - A[:,None]
Out[16]:
array([[0.5 , 1.5 , 2.5 , 3.5 ],
       [0.75, 1.75, 2.75, 3.75],
       [1.5 , 2.5 , 3.5 , 4.5 ]])

接下来，它只是元素方面的

square

和减法和

square

np.square(beta) - np.square(D[None,:] - A[:,None])

Out[17]:
array([[  0.    ,  -2.    ,  -6.    , -12.    ],
       [ -0.3125,  -2.8125,  -7.3125, -13.8125],
       [ -2.    ,  -6.    , -12.    , -20.    ]])

最后，沿轴求和=1以获得最终输出：

np.sum(np.square(beta) - np.square(D[None,:] - A[:,None]), axis=1)

Out[18]: array([-20.  , -24.25, -40.  ])

---

您可以在此处阅读有关numpy广播的文档以获取更多信息

欢迎！你试了什么？大家好，这是一段伪代码，它描述了我在计算和的同时通过每个a来生成我给出的最后一个示例的意图。没有办法逐字逐句地写出来，所以我要问的是允许它用numpy写的技巧。我已经得到了下面的答案，但我不确定这是做这类事情的最好方法，还是有更好的方法。非常感谢。你能告诉我为什么会这样吗？这似乎很神奇。最后一个问题，如果我在生产环境中编写这样的代码（因为没有更好的词），我会不赞成这样做，还是认为这样做很惯用？@ruzq：为了更好地调试和维护代码，最好将这一行代码分成几行。一些公司可能有限制嵌套函数调用和循环数量的编码指南。在本例中，它嵌套了3个级别。我认为两级嵌套是常见的指导。在协作代码中，您可以将

None

更改为

np.newaxis

，以使其更加详细和清晰。Pandas基于python，python zen是

显式优于隐式

，

平面优于嵌套式

。（注意，

nested

不同于

chain

。

chain

）我仍然觉得完全迷路了。现在我让beta有很多不同的值，所以我可以对每个不同的beta和每个alpha求和。。感觉单靠广播是无法克服的。我想回到一个更安全，更可预测的循环和指数等东西。这很酷，我没有想到这一点。我正在尝试学习使用numpy的惯用方法，我想安迪L.已经给出了上面的说明。