如何对numpy.vectorize的部分参数执行向量化处理？

问题出在np.vectorize默认会尝试对所有输入参数做广播匹配——你的第一个参数是18元素的数组，第二个是3元素的列表，形状无法对齐，所以触发报错。由于你需要将完整的字符串列表作为参数传递给每个函数调用，而非拆分元素，可通过以下几种方式解决：

方法一：使用excluded参数排除无需向量化的参数 #

通过excluded指定不需要被向量化处理的参数（可以是参数位置索引或参数名），这样np.vectorize会将该参数完整传递给每一次函数调用：

# 按参数位置排除（第二个参数，索引为1）
vec_func = np.vectorize(self.my_function, excluded=[1])
my_ndarray = vec_func(my_ndarray, ["a", "b", "c"])

# 或按参数名称排除
vec_func = np.vectorize(self.my_function, excluded=['lookup'])
my_ndarray = vec_func(my_ndarray, ["a", "b", "c"])

方法二：用lambda函数固定参数 #

把不需要向量化的参数提前绑定到lambda中，让np.vectorize只处理数组参数：

vec_func = np.vectorize(lambda num: self.my_function(num, ["a", "b", "c"]))
my_ndarray = vec_func(my_ndarray)

方法三：直接使用列表推导（更直观） #

由于np.vectorize本质是循环包装，并非真正的向量化优化，直接用列表推导遍历数组元素再转成numpy数组，效果完全一致：

my_ndarray = np.array([self.my_function(num, ["a", "b", "c"]) for num in my_ndarray])

内容的提问来源于stack exchange，提问作者Cashif Ilyas