求NumPy数组差值计算的无循环向量化实现方案

假设有两个长度相同的数组：x = [1,2,3] 和 y = [0,1,2]，需要实现的计算为：对每个y[i]，求x与y[i]的差的总和。现有循环实现的代码如下：

diff = np.zeros((x.shape[0]))
for i in range(y.shape[0]):
  diff[i] = np.sum(x - y[i])

向量化实现方案 #

当然存在无需显式循环的向量化实现方式，而且效率远高于循环写法，这里提供两种思路：

1. 数学公式推导优化

先从数学角度拆解计算逻辑：
对任意y[i]，np.sum(x - y[i])等价于 np.sum(x) - len(x) * y[i]。
基于这个推导，直接用一行代码就能完成计算：

import numpy as np

x = np.array([1,2,3])
y = np.array([0,1,2])
diff = np.sum(x) - len(x) * y

验证结果：diff最终为[6, 3, 0]，和循环实现的结果完全一致。

2. 利用NumPy广播机制

借助NumPy的广播特性，将y转换为列向量后与x做逐元素减法，再按行求和：

diff = (x - y[:, np.newaxis]).sum(axis=1)

这种方式通过自动扩展维度完成批量运算，同样不需要写显式循环。

内容的提问来源于stack exchange，提问作者ort23