Python 广播—；将一个（NxN）数组乘以一个（M）数组得到一个（nxm）数组

我有两个

numpy

我想计算一个

c

数组，由

c.shape # -> (3, 3, 5)
c[...,i] = a*b[i]

（c的确切形状并不重要，因为我总是可以变换它的轴）

在我看来，到目前为止，发布我的编码尝试将是不必要的尴尬，这类似于

a[：，None，：]*b[None，：]

上的许多变体，这就够了，不是吗

---

我怀疑

np.einsum（）

可能是答案，但它的subscripts命令的语法让我难以理解……

一个很好的解决方案是使用奇妙的函数：

>>> a = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> b = np.array([10, 100, 1000, 10000, 100000])
>>> c = np.einsum('ij,k->ijk', a, b)
>>> c[1, 2, 3]
60000
>>> a[1, 2]
6
>>> b[3]
10000

我喜欢它，因为它使转换

ij，k->ijk

非常明确。也可以使用简单的广播，更简洁：

>>> c = a[:, :, None] * b[None, None, :]
>>> c.shape
(3L, 3L, 5L)

---

当您使用

：

使用维度时，

None

沿维度广播。

一个好的解决方案是使用奇妙的函数：

>>> a = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> b = np.array([10, 100, 1000, 10000, 100000])
>>> c = np.einsum('ij,k->ijk', a, b)
>>> c[1, 2, 3]
60000
>>> a[1, 2]
6
>>> b[3]
10000

我喜欢它，因为它使转换

ij，k->ijk

非常明确。也可以使用简单的广播，更简洁：

>>> c = a[:, :, None] * b[None, None, :]
>>> c.shape
(3L, 3L, 5L)

---

当您使用

：

使用维度时，

None

沿维度广播。

另一种解决方案是使用，因为我们基本上是在那里执行外部产品。现在，

np.outer

希望输入是

1D

数组，作为预处理步骤，它在执行元素乘法之前将输入展平。因此，

np.outer（a，b）

的输出将是

2D

，我们需要将其重塑为所需的

3D

形状。因此，最终的实现看起来是这样的-

np.outer(a,b).reshape(a.shape+(-1,))

一种更明确的重塑方式如下所示-

np.outer(a,b).reshape(a.shape+b.shape)

---

另一种解决方案是使用，因为我们基本上是在那里执行外部产品。现在，

np.outer

希望输入是

1D

数组，作为预处理步骤，它在执行元素乘法之前将输入展平。因此，

np.outer（a，b）

的输出将是

2D

，我们需要将其重塑为所需的

3D

形状。因此，最终的实现看起来是这样的-

np.outer(a,b).reshape(a.shape+(-1,))

一种更明确的重塑方式如下所示-

np.outer(a,b).reshape(a.shape+b.shape)

---

我更喜欢你答案中的广播部分，我觉得这很有启发性（最后我发现了正确的模式！），但这两部分都是正确的，我得到了我的结果。。。非常感谢。我现在明白了我真正想要的和我想要的是

c.shape->（5,3,3）

，但是发现了模式（最后！）很简单，就像

a[None，：，：]*b[：，None，None]

-再次感谢你。

einsum

真的需要“啊哈！”当你意识到

a[i，j]*b[k]=c[i，j，k]

直接翻译成

einsum（'ij，k->ijk'，…）

。虽然有人可能会说，对于简单的广播来说，这太过分了，但我还是喜欢它……我更喜欢你答案中的广播部分，我发现它相当有启发性（最后我发现了正确的模式！），但这两部分都是正确的，我得到了我的结果。。。非常感谢。我现在明白了我真正想要的和我想要的是

c.shape->（5,3,3）

，但是发现了模式（最后！）很简单，就像

a[None，：，：]*b[：，None，None]

-再次感谢你。

einsum

真的需要“啊哈！”当你意识到

a[i，j]*b[k]=c[i，j，k]

直接翻译成

einsum（'ij，k->ijk'，…）

。虽然有人可能会说，对于简单的广播来说，这太过分了，但我还是喜欢它。。。