如何对不同长度的NumPy一维数组执行减法运算？

报错原因是两个一维数组的长度（921600 vs 32256）不满足NumPy的广播规则——广播要求数组维度要么相等，要么其中一个维度为1，而这里两个长度既不相等也不为1，因此无法直接执行减法。

根据不同业务场景，有两种可行方案：

方案1：将Face数组插值缩放至Dog的长度（适合图像类场景） #

如果Dog和Face是图像展开的一维数组（比如Dog是1280×720的高清图，Face是192×168的低分辨率图），最合理的方式是通过插值将Face拉伸到与Dog相同的长度，再执行减法：

import numpy as np

# 生成原Face的索引范围和目标Dog的索引范围
face_indices = np.linspace(0, len(Face)-1, len(Face))
dog_indices = np.linspace(0, len(Face)-1, len(Dog))

# 线性插值缩放Face数组
Face_scaled = np.interp(dog_indices, face_indices, Face)

# 将Dog转为float类型避免uint8溢出，再执行减法
result = Dog.astype(np.float64) - Face_scaled

方案2：循环重复Face数组至Dog的长度（适合周期性重复场景） #

如果业务逻辑允许Face数组循环填充至Dog的长度，可通过拼接重复数组实现：

import numpy as np

# 计算重复次数和剩余长度
repeat_times = len(Dog) // len(Face)
remainder = len(Dog) % len(Face)
# 拼接重复后的Face数组和剩余部分
Face_repeated = np.concatenate([np.tile(Face, repeat_times), Face[:remainder]])

# 转换Dog类型后执行减法
result = Dog.astype(np.float64) - Face_repeated

注意事项 #

Dog的 dtype 为uint8（取值范围0-255），直接与float数组运算会自动转为float类型；若后续需要转回uint8，需用np.clip截断超出范围的值：

result_uint8 = np.clip(result, 0, 255).astype(np.uint8)

内容的提问来源于stack exchange，提问作者Jim