6.2 广播规则的形状对齐

6.2 广播规则的形状对齐

本节摘要：广播是 NumPy 对形状不同的数组做的自动对齐：右对齐比较各维，某维相等或其一为 1 即兼容，为 1 的一侧沿该维虚拟复制。结果形状取逐维最大值。物理上没有任何复制发生——为 1 的维 strides 记 0，读的是同一块数据。本节给出四步对齐法与完整推演练习。

从标量说起

最熟悉的广播其实是标量：

import numpy as np

a = np.array([1, 2, 3])
print(a * 2)          # [2 4 6]
# 标量形状视为 ()，与任何形状兼容，"虚拟复制"到每个位置
​

数组与数组的广播是同一套规则的推广。四步对齐法：

1. 把两个形状右对齐，左侧缺的维补 1；
2. 逐维比较：相等，或其一为 1，即兼容；
3. 任何一维两边都非 1 且不相等 → 报错；
4. 结果形状 = 逐维取较大值。

import numpy as np

m = np.arange(12).reshape(3, 4)   # (3, 4)
v = np.array([10, 20, 30, 40])    # (4,)

print(m + v)
# 右对齐：(3,4) 对 (4,)
# 第2维：4 对 4，相等
# 第1维：3 对补的1，其一为1，兼容
# 结果 (3, 4)：v 每行"复用"
# [[10 21 32 43]
#  [10 22 34 46]
#  [10 23 36 49]]

col = np.array([[1], [2], [3]])   # (3, 1)
print(m + col)
# 第2维：4 对 1，col 沿列向扩展
# 第1维：3 对 3
# [[ 1  2  3  4]
#  [ 6  7  8  9]
#  [11 12 13 14]]
​

广播对齐过程示意

验证"零复制"：strides 里的 0

广播不搬数据，用广播视图可以亲眼看到：

import numpy as np

v = np.array([10, 20, 30, 40])
bv = np.broadcast_to(v, (3, 4))     # 显式广播成 (3,4)
print(bv)
# [[10 20 30 40]
#  [10 20 30 40]
#  [10 20 30 40]]
print(bv.strides)   # (0, 8)！第一维步长为0，走多少行都停在同一字节

try:
    bv[0, 0] = 99   # 广播视图只读
except ValueError as e:
    print("只读:", e)   # assignment destination is read-only
​

broadcast_to 是"想要广播又不想写表达式"时的工具；广播视图只读，因为多行共享一块内存，写入语义无法定义。这也解释了 6.3 节 out 参数为什么不能随便拿广播视图当输出。

三维推演练习 + 常见报错

import numpy as np

# 图像批处理：10张 224x224 RGB 图，减去每通道均值
batch = np.random.rand(10, 224, 224, 3)
mean = np.array([0.485, 0.456, 0.406])       # (3,)

centered = batch - mean
# 右对齐：(10,224,224,3) 对 (3,)
# 前三维：10/224/224 vs 补1，全兼容
# 第四维：3 vs 3，相等
print(centered.shape)   # (10, 224, 224, 3)

# 反例：均值存成了 (1, 3)，形状意图不明
m2 = mean.reshape(1, 3)
try:
    batch - m2
except ValueError as e:
    print("报错:", str(e)[:60])
    # operands could not be broadcast together
    # (1,3) 右对齐后：维1 3 vs 224、维2 1 vs 224？逐维全乱
​

排错套路：拿到报错先打印两个 .shape，按四步法手工走一遍，冲突的那一维立刻现形。九成广播错误是"该在末维对齐的数据被放在了开头维"（3, 1) 与 (1, 3) 之差），解法用 newaxis 或 reshape 把轴挪对位置。

案例：每月销售额占比

完整过程。背景：12 个月、5 个产品的销售矩阵，算每个月各产品占比与全年同比指数。

操作：

import numpy as np

rng = np.random.default_rng(9)
sales = rng.integers(100, 1000, size=(12, 5)).astype(float)

# 行归一化：每月总量 (12, 1)，广播除法
month_total = sales.sum(axis=1, keepdims=True)   # (12, 1)
share = sales / month_total
print(share[0].round(3))
# [0.171 0.241 0.198 0.213 0.177]，每月合计恒为1

# keepdims=True 的作用：保住 (12,1) 而不是 (12,)，省掉 newaxis
# 若忘了 keepdims，(12,) 对 (12,5) 右对齐会在维2冲突，报错
# 修复：sales / month_total[:, np.newaxis]

# 各产品相对全年均值的倍数：(1, 5) 广播
product_ratio = sales / sales.mean(axis=0, keepdims=True)   # (1,5) 对 (12,5)
print(product_ratio[0].round(2))   # [1.23 0.86 1.05 0.94 1.11]
​

结果与解读：keepdims 是广播最好的朋友——聚合时保留长度 1 的轴，形状天然对齐，免去手动插轴。share 每行合计为 1 验证了归一正确；product_ratio 显示首月产品一卖出全年均值的 1.23 倍。变式：三维 (门店, 月份, 产品) 数据同理，按哪一维归一就让哪一维 keepdims。

⚠️ 常见坑：keepdims 不是装饰参数。忘了它，(12,) 会与 (12,5) 在错误维度上尝试对齐——有时报错（好事），碰巧维数相同则静默算错（灾难）。聚合接广播的代码，永远显式想清楚输出形状。

本节要点回顾

• 四步对齐法：右对齐补 1、逐维比较（相等或含 1）、冲突即报错、结果取逐维最大
• 零复制真相：扩展维 strides 为 0，broadcast_to 的视图只读
• keepdims 搭配：聚合保轴，广播免插轴，形状推理链条不断
• 排错套路：打印 shape、手工走四步、锁定冲突维，(n,1) 与 (1,n) 之别是最大来源
• 结果形状预判：会推演就不怕任何报错信息

下一节把账本模型与广播合流：ufunc 与 out 参数，让"新分配写"那一笔也能省下来。