numpy.vectorize调用遇维度错误，求正确向量化解法

你遇到的问题有两个核心原因：

1. np.vectorize的signature参数定义错误：你的func实际接受一维数组h和标量no，返回一个标量，而非你写的(k),(n)->(n)。
2. 原始func依赖列表推导式和enumerate，无法直接处理数组类型的no，导致无signature时触发TypeError。

另外要注意：np.vectorize本质是Python循环的封装，并非真正的向量化运算，效率远低于直接用numpy广播实现的向量化逻辑。

方案1：修正np.vectorize的用法 #

调整signature参数为(k),()->()，表示输入是长度为k的一维数组、标量，输出是标量。vectorize会自动遍历nos的每个元素传入func：

import numpy as np

h = np.array([1,2,3])
nos = np.array([4, 5, 6, 7])

func = lambda h, no: np.sum([hk * np.exp(-1j * no * k) for k, hk in enumerate(h)])

# 修正后的vectorize调用
H = np.vectorize(func, excluded={'h'}, signature='(k),()->()')
resps = H(h, nos)
print(resps)
# 输出和非向量化代码一致

方案2：真正的向量化实现（推荐） #

利用numpy的广播机制，完全避免循环，效率更高：

import numpy as np

h = np.array([1,2,3])
nos = np.array([4, 5, 6, 7])

# 生成k的数组：[0,1,2]
k = np.arange(len(h))
# 广播运算：nos变为(4,1)，k变为(1,3)，相乘后得到(4,3)的数组
exp_term = np.exp(-1j * nos[:, None] * k)
# 与h相乘后沿axis=1求和，得到(4,)的结果数组
resps = np.sum(h * exp_term, axis=1)

print(resps)
# 输出：array([-0.74378734-1.45446975j,
#              -0.94989022+3.54991188j,
#               5.45190245+2.16854975j,
#               2.91801616-4.28579526j])

内容的提问来源于stack exchange，提问作者mins