如何将不同尺寸的二维NumPy数组相减得到三维数组？

我有两个二维NumPy数组：数组M形状为2000×3，数组N形状为20×3，均为x、y、z坐标集合。尝试计算M减去N以得到一个2000×20×3的三维数组时，出现报错：

ValueError: operands could not be broadcast together with shapes (2000,3) (20,3)

简化示例代码 #

import numpy as np
M = np.array([[1,1,1],[2,1,1],[3,1,1],[4,1,1],[1,2,1],[2,2,1],[3,2,1],[4,2,1]])
N = np.array([[0,0,0],[1,0,0]])

print(M.shape)  # 输出 (8, 3)
print(N.shape)  # 输出 (2, 3)

期望输出 #

得到形状为(8,2,3)的数组A，即M中的每个坐标分别与N中的所有坐标计算差值，示例形式如下：

A = np.array([[[1,1,1],[0,1,1]],
              [[2,1,1],[1,1,1]],
              [[3,1,1],[2,1,1]],
              [[4,1,1],[3,1,1]],
              [[1,2,1],[0,2,1]],
              [[2,2,1],[1,2,1]],
              [[3,2,1],[2,2,1]],
              [[4,2,1],[3,2,1]]])

请问能否实现该需求？如何操作？优先避免使用for循环。

可以实现，核心是利用NumPy的广播机制，通过扩展数组维度使二者满足广播条件，以下是几种高效实现方式：

方法1：手动扩展维度（最直观） #

给M增加一个中间维度（变为(8,1,3)），给N增加一个前置维度（变为(1,2,3)），广播后自动匹配为(8,2,3)的结果：

A = M[:, np.newaxis, :] - N[np.newaxis, :, :]

也可以用reshape实现相同效果：

A = M.reshape(-1, 1, 3) - N.reshape(1, -1, 3)

方法2：使用np.expand_dims显式扩展 #

和方法1原理一致，用expand_dims更清晰地标注维度扩展位置：

A = np.expand_dims(M, axis=1) - np.expand_dims(N, axis=0)

方法3：利用np.subtract.outer #

通过outer减法自动处理元素间的配对，最后调整形状到目标格式：

A = np.subtract.outer(M, N).transpose(0, 2, 1)

解释：np.subtract.outer(M, N)会生成(8,3,2,3)的中间数组，转置后将维度调整为(8,2,3)。

验证结果 #

运行上述任意方法后，A.shape会返回(8,2,3)，且每个元素的差值计算完全符合预期。

内容的提问来源于stack exchange，提问作者Jack