Numpy 沿特定维度展开数组

我有一个数组，如下所示：

arr = np.arange(2*1*15).reshape(2, 1, 15)

现在，我如何扩展此数组以形成

（2、10、15）

。要填充值，可以使用与原始数组的

（1，15）

部分相同的值（即从最后两个维度开始）。

您可以使用沿第二个轴复制值：

np.repeat(arr, 10, axis=1).shape
# (2, 10, 15)

可以使用沿第二个轴复制值：

np.repeat(arr, 10, axis=1).shape
# (2, 10, 15)

---

同时，我发现它也可以做这项工作

作为一个小的人为的例子：

In [8]: np.broadcast_to(arr, (2, 5, 15))
Out[8]: 
array([[[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14],
        [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14],
        [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14],
        [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14],
        [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14]],

       [[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
        [15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
        [15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
        [15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
        [15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]]])

---

性能注意事项：计时后，我发现

numpy.broadcast\u to

比

numpy.repeat

快约40倍。 原因是：

---

它的速度更快，因为它创建了一个只读的数据视图，其中有许多元素指向相同的内存位置。如果复制结果，则性能大致相同。如果您不需要编辑最终结果，它将提供巨大的性能提升

---

同时，我发现它也可以做这项工作

作为一个小的人为的例子：

In [8]: np.broadcast_to(arr, (2, 5, 15))
Out[8]: 
array([[[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14],
        [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14],
        [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14],
        [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14],
        [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14]],

       [[15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
        [15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
        [15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
        [15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
        [15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]]])

---

性能注意事项：计时后，我发现

numpy.broadcast\u to

比

numpy.repeat

快约40倍。 原因是：

---

它的速度更快，因为它创建了一个只读的数据视图，其中有许多元素指向相同的内存位置。如果复制结果，则性能大致相同。如果您不需要编辑最终结果，它将提供巨大的性能提升

---

它的速度更快，因为它创建了一个只读的数据视图，其中有许多元素指向相同的内存位置。如果您

复制

结果，则性能大致相同。如果您不需要编辑最终结果，它将提供一个巨大的性能增益，速度更快，因为它创建了一个只读的数据视图，其中许多元素指向相同的内存位置。如果您

复制

结果，则性能大致相同。如果您不需要编辑最终结果，它将提供巨大的性能提升