为何np.vectorize无法在Awkward数组上正常工作？

为什么np.vectorize无法处理不规则Awkward数组？ #

np.vectorize并非真正的向量化实现，它只是给标量函数套了一层循环包装，内部会尝试将输入转换为numpy数组处理。而不规则的Awkward数组（比如你例子里长度分别为0、1、3的嵌套子数组）无法转换成形状规整的numpy数组——numpy要求所有子数组长度一致，但Awkward的ListOffsetArray存储的是长度不规则的嵌套结构，转换时自然触发"无法转为RegularArray"的错误。

可行的解决方案 #

方法1：扁平化+还原（你提出的方案） #

先将不规则数组扁平化，用np.vectorize处理后再还原嵌套结构：

import numpy as np
import awkward as ak

@np.vectorize
def f(x):
    if x > 0:
        return 1
    else:
        return -1

x = ak.Array([[], [10], [40, 50, 60]])
# 扁平化数组
y_flat = f(ak.flatten(x))
# 还原嵌套结构
y = ak.unflatten(y_flat, ak.num(x))
print(y)
# 输出: [[], [1], [1, 1, 1]]

方法2：用Awkward原生矢量化操作（更高效） #

如果是简单的条件判断，完全不需要np.vectorize，直接用Awkward的矢量化运算就能处理不规则数组，效率更高：

import awkward as ak

x = ak.Array([[], [10], [40, 50, 60]])
y = ak.where(x > 0, 1, -1)
print(y)
# 输出: [[], [1], [1, 1, 1]]

方法3：用ak.map处理复杂自定义函数 #

如果你的实际函数逻辑复杂（无法用简单矢量化操作替代），可以用Awkward的ak.map直接处理不规则数组，无需扁平化：

import awkward as ak

def f(x):
    if x > 0:
        return 1
    else:
        return -1

x = ak.Array([[], [10], [40, 50, 60]])
y = ak.map(f, x)
print(y)
# 输出: [[], [1], [1, 1, 1]]

内容的提问来源于stack exchange，提问作者Ruggero Turra