np.vectorize作用于np.array与np.ndarray的差异及报错原因咨询

核心原因：两个数组的结构本质不同 #

你遇到的问题根源在于**array1和array2虽然都是dtype=object的ndarray，但内部元素的层级完全不一样**：

• array1是一维数组，每个元素直接是一个Python列表（list类型），array1.shape为(2,)
• array2是二维数组，每个元素是单个float值，array2.shape为(2,3)——哪怕指定了dtype=object，np.array依然会把输入的嵌套列表解析成二维结构，只是每个基础元素以object类型存储（本质还是单个浮点数）

而np.vectorize的工作逻辑是遍历数组的每个最底层元素，把元素逐个传给你的函数f：

• 对array1，每个传入f的参数是完整的列表，sum(list)可以正常计算
• 对array2，每个传入f的参数是单个float值，sum(float)自然会抛出TypeError（浮点数不是可迭代对象）

验证结构差异的代码 #

你可以运行以下代码确认两者的结构区别：

print("array1 shape:", array1.shape)
print("array1[0] type:", type(array1[0]))  # <class 'list'>

print("\narray2 shape:", array2.shape)
print("array2[0] type:", type(array2[0]))  # <class 'numpy.ndarray'>
print("array2[0][0] type:", type(array2[0][0]))  # <class 'float'>

解决方案 #

如果希望array2的每一行作为整体传给f，可以用以下两种方式处理：

方法1：重构数组结构 #

把array2转换成一维object数组，让每个元素对应一行数据：

# 把array2的每一行转成列表，再重新构建一维object数组
array2_fixed = np.array([row.tolist() for row in array2], dtype=object)
print(f_vec(array2_fixed))  # 输出: array([ 6., 12.])

方法2：用更适合的工具替代np.vectorize #

np.vectorize本质是循环包装，效率并不高。针对按行处理的需求，更推荐用np.apply_along_axis：

result = np.apply_along_axis(sum, axis=1, arr=array2)
print(result)  # 输出: array([ 6., 12.])

内容的提问来源于stack exchange，提问作者Claude