使用Numpy高效为数组新增多维度并生成对应份数拷贝的最优方案

你好呀！你的问题我太有共鸣了——用嵌套np.repeat处理高维度扩展时，中间数组的反复创建确实会拖慢速度，特别是当目标维度很大的时候（比如你这里的361x721x11）。下面给你几个比嵌套repeat高效得多的方案，亲测速度能提升不少：

• 方案一：广播赋值（最推荐，代码简洁且速度快）
  原理是先创建一个符合目标形状的空数组，然后利用numpy的广播机制，把原数组一次性填充到所有新增维度的位置。这种方法只做一次内存分配，避免了中间数组的冗余拷贝：

  import numpy as np
  
  ll = np.ones((13,25))
  # 先创建目标形状的空数组
  ll_ijk = np.empty((13,25,361,721,11), dtype=ll.dtype)
  # 广播赋值，一步到位
  ll_ijk[:] = ll[..., None, None, None]
  

• 方案二：broadcast_to + copy（和方案一效率接近）
  np.broadcast_to会创建一个原数组的广播视图（不占额外内存），然后我们再拷贝成实际的数组，效果和方案一差不多：

  ll_expanded = ll[..., None, None, None]
  ll_ijk = np.broadcast_to(ll_expanded, (13,25,361,721,11)).copy()
  

• 如果不需要实际数组：直接用广播视图参与计算
  如果你只是需要在后续计算中使用这个扩展后的数组，完全不用生成实际的拷贝——直接用ll[..., None, None, None]就行！numpy会自动在计算时进行广播，既省内存又快，比如：

  # 假设后续要和另一个形状为(361,721,11)的数组arr计算
  result = ll[..., None, None, None] * arr
  

为什么原方法会慢？ #

每次调用np.repeat都会生成一个全新的中间数组（比如第一次repeat得到(13,25,361)，第二次得到(13,25,361,721)），每一步都要分配新内存并拷贝数据，三次下来就多了两次不必要的内存操作。而上面的方案只做一次内存分配和一次数据填充，自然快很多。

备注：内容来源于stack exchange，提问作者Researcher R