Numpy数组运算优化：一维数组间元素批量运算的高效实现

当然有更高效的实现方式——用NumPy的广播机制，这不仅代码更简洁，还能节省内存、提升计算效率，而且完全支持加减乘除所有四则运算。

核心实现代码（乘法示例） #

import numpy as np

a = np.array([1, 2, 3, 4])
b = np.array([5, 6])

# 利用广播直接运算，无需显式创建重复数组
result = b[:, np.newaxis] * a
print(result)
# [[ 5 10 15 20]
#  [ 6 12 18 24]]

简化写法原理 #

• b[:, np.newaxis] 将一维数组b转为形状为(2,1)的二维数组
• 一维数组a会被NumPy自动广播为形状(1,4)的二维数组
• 广播机制会自动将两个数组扩展为相同的(2,4)形状后执行运算，全程不需要创建实际的重复数组，内存占用更低

支持所有四则运算的示例 #

# 加法
add_result = b[:, None] + a
print(add_result)
# [[ 6  7  8  9]
#  [ 7  8  9 10]]

# 减法
sub_result = b[:, None] - a
print(sub_result)
# [[ 4  3  2  1]
#  [ 5  4  3  2]]

# 除法（确保除数不为0即可）
div_result = b[:, None] / a
print(div_result)
# [[5.         2.5        1.66666667 1.25      ]
#  [6.         3.         2.         1.5       ]]

内容的提问来源于stack exchange，提问作者mauro