如何修正NumPy中列向量与矩阵减法仅首列运算的异常？

嘿，我完全懂你遇到的这个困惑——这其实是Numpy的广播机制在背后起作用，咱们一步步拆解问题，然后给出解决方案。

问题根源：Numpy的广播规则 #

你定义的vec是形状为(1,5)的二维数组，mt是(5,3)的矩阵。当你执行np.subtract(vec, mt)时，Numpy会尝试让两个数组的维度兼容：它会把vec转置成(5,1)的形状，然后自动广播到(5,3)，这样vec中的每个元素（共5个）会分别减去mt对应行的所有3个元素，这就导致所有列都被修改了，和你预期的只修改首列不符。

解决方案：精准操作矩阵首列 #

要实现仅对mt的首列做减法，其他列保持不变，咱们可以通过索引精准定位首列进行操作，有两种常用方式：

方式一：创建新数组保留原矩阵

如果你不想修改原矩阵，可以先计算首列的差值，再和原矩阵的其他列组合：

import numpy as np

# 你的原始定义
vec = np.array([15.1,7.9,4.5,12.8,10.5], ndmin = 2)
mt = np.matrix([[1,35.5,1.23],[1,40.8,1.89],[1,30.2,1.55],[1,4.3,1.18], [1,10.7,1.68]])

# 把矩阵转为numpy数组（操作更灵活）
mt_array = np.array(mt)
# 计算首列的差值：将vec展平为一维数组后减去mt的首列
first_col_result = vec.flatten() - mt_array[:, 0]
# 组合结果：首列用差值，其余列保留原矩阵数据
final_result = np.column_stack([first_col_result, mt_array[:, 1], mt_array[:, 2]])

print(final_result)

方式二：直接修改原矩阵（如果不需要保留原数据）

如果你可以直接修改原矩阵，那就更简单了：

import numpy as np

vec = np.array([15.1,7.9,4.5,12.8,10.5], ndmin = 2)
mt = np.matrix([[1,35.5,1.23],[1,40.8,1.89],[1,30.2,1.55],[1,4.3,1.18], [1,10.7,1.68]])

mt_array = np.array(mt)
# 直接替换首列为差值
mt_array[:, 0] = vec.flatten() - mt_array[:, 0]

print(mt_array)

这两种方式都会输出你期望的结果：

[[14.1 35.5  1.23]
 [ 6.9 40.8  1.89]
 [ 3.5 30.2  1.55]
 [11.8  4.3  1.18]
 [ 9.5 10.7  1.68]]

内容的提问来源于stack exchange，提问作者alex_T