简介
在本教程中，我们将探讨如何在强大的Python库NumPy中执行加法运算时处理不同形状的数组。无论你使用的是一维、二维还是更高维的数组，你都将学习到确保准确且高效的数组操作的技巧。
NumPy 数组简介
NumPy 是一个强大的用于 Python 科学计算的开源库。它支持大型多维数组和矩阵，并提供大量高级数学函数来对这些数组进行操作。NumPy 数组是许多科学计算和机器学习任务中使用的基本数据结构。
什么是 NumPy 数组？
NumPy 数组是一个值的网格，所有值的类型相同，并由正整数元组索引。维度的数量是数组的秩，数组的形状是一个整数元组，表示数组在每个维度上的大小。
import numpy as np
## 创建一个一维数组
arr1d = np.array([1, 2, 3, 4, 5])
print(arr1d)
## 输出: [1 2 3 4 5]
## 创建一个二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2d)
## 输出: [[1 2 3]
## [4 5 6]]使用 NumPy 数组的好处
- 高效的数据存储：NumPy 数组将数据存储在连续的内存块中，与 Python 列表相比，这使得它们在内存使用上更高效。
- 快速计算：NumPy 为处理数组提供了高度优化的函数和操作，这些函数和操作是用 C 和 Fortran 等低级语言实现的，因此比纯 Python 代码快得多。
- 通用性：NumPy 数组可以有任意数量的维度，并且支持广泛的数学运算，使其适用于各种科学和数据分析任务。
- 与其他库的集成：NumPy 在 Python 科学计算生态系统中被广泛用作基础库，并且与 Pandas、SciPy 和 Matplotlib 等其他流行库集成良好。
理解数组形状
NumPy 数组的形状指的是沿每个维度的元素数量。它由一个正整数元组表示，该元组指定了数组沿每个轴的大小。
访问数组形状
你可以使用 shape 属性来访问 NumPy 数组的形状：
import numpy as np
## 一维数组
arr1d = np.array([1, 2, 3, 4, 5])
print(arr1d.shape) ## 输出: (5,)
## 二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2d.shape) ## 输出: (2, 3)
## 三维数组
arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(arr3d.shape) ## 输出: (2, 2, 2)重塑数组
你可以使用 reshape() 方法来重塑 NumPy 数组。新的形状必须与数组的原始大小兼容。
import numpy as np
## 将一维数组重塑为二维数组
arr1d = np.array([1, 2, 3, 4, 5, 6])
arr2d = arr1d.reshape(2, 3)
print(arr2d)
## 输出: [[1 2 3]
## [4 5 6]]
## 将二维数组重塑为三维数组
arr2d = np.array([[1, 2], [3, 4], [5, 6]])
arr3d = arr2d.reshape(3, 1, 2)
print(arr3d)
## 输出: [[[1 2]]
## [[3 4]]
## [[5 6]]]广播
NumPy 还支持广播，这允许你对不同形状的数组执行操作。当形状不兼容时，NumPy 会自动重塑较小的数组以匹配较大数组的形状。
import numpy as np
## 用一维数组对二维数组进行广播
arr1d = np.array([1, 2, 3])
arr2d = np.array([[4, 5, 6], [7, 8, 9]])
result = arr1d + arr2d
print(result)
## 输出: [[ 5 7 9]
## [ 8 10 12]]对不同形状的数组执行加法运算
当对两个 NumPy 数组进行加法运算时，数组的形状必须兼容。这意味着数组必须具有相同的形状，或者至少有一个维度的大小为 1（单例维度），以便它可以广播到另一个数组的形状。
对形状相同的数组进行加法运算
如果数组具有相同的形状，你可以简单地使用 + 运算符来执行按元素加法：
import numpy as np
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
result = arr1 + arr2
print(result)
## 输出: [[ 6 8]
## [10 12]]对形状不同的数组进行加法运算（广播）
如果数组具有不同的形状，NumPy 将在执行加法之前尝试将数组广播到一个共同的形状。广播是一项强大的功能，它允许你对不同形状的数组执行操作。
import numpy as np
## 用一维数组对二维数组进行广播
arr1d = np.array([1, 2, 3])
arr2d = np.array([[4, 5, 6], [7, 8, 9]])
result = arr1d + arr2d
print(result)
## 输出: [[ 5 7 9]
## [ 8 10 12]]
## 用标量对二维数组进行广播
scalar = 10
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
result = scalar + arr2d
print(result)
## 输出: [[11 12 13]
## [14 15 16]]在上面的示例中，NumPy 自动广播一维数组和标量以匹配二维数组的形状，从而允许执行加法运算。
处理不兼容的形状
如果数组的形状无法广播到一个共同的形状，NumPy 将引发 ValueError 异常：
import numpy as np
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6, 7], [8, 9, 10]])
result = arr1 + arr2
## ValueError: operands could not be broadcast together with shapes (2,2) (2,3)在这种情况下，你可能需要在执行加法之前对其中一个或两个数组进行重塑或转置，以使它们的形状兼容。
总结
在本教程结束时，你将对如何在 NumPy 中执行加法运算时处理不同形状的数组有扎实的理解。你将具备编写健壮且灵活的 Python 代码的知识，这些代码能够无缝处理各种数组配置，使你有能力应对更复杂的数据分析和科学计算任务。
