如何用NumPy向量化方法计算两个一维数组的平均绝对差？

当然有啦！你现在用的嵌套循环虽然直观，但在处理大数组时效率会很低——NumPy的核心优势就是向量化操作，能彻底摆脱Python层面的循环，用底层优化的C代码完成计算，速度快得多。给你几种简洁的实现方式，结果和你原来的代码完全一致：

方法1：利用广播机制 #

NumPy的广播特性可以自动扩展数组形状，让我们不用显式创建大矩阵就能完成元素对的计算：

import numpy as np
np.random.seed(1)
X = np.random.randint(10, size=10)
Y = np.random.randint(10, size=10)

# 将X转为列向量，和Y广播生成元素对的差值矩阵
mean_abs_diff = np.mean(np.abs(X[:, np.newaxis] - Y))
print(mean_abs_diff)  # 输出 3.44（和原代码的3.4399999999999999是浮点数精度差异，本质一致）

解释：X[:, np.newaxis]把一维的X转换成形状为(10, 1)的列向量，和形状为(10,)的Y广播后，会自动生成一个(10, 10)的差值矩阵，每个元素对应X[i] - Y[j]。之后我们取绝对值、求平均，一步完成计算。

方法2：使用np.subtract.outer #

NumPy提供了专门的外运算函数np.subtract.outer，可以直接生成两个数组所有元素对的差值矩阵，写法更直观：

mean_abs_diff = np.mean(np.abs(np.subtract.outer(X, Y)))

这里np.subtract.outer(X, Y)的效果和广播方法中的X[:, np.newaxis] - Y完全相同，都是生成所有元素对的差值，后续的绝对值和平均操作也一样。

性能对比 #

这两种向量化方法的性能远超嵌套循环：比如当X和Y的长度都是1000时，嵌套循环可能需要几秒才能完成，而向量化操作只需要几毫秒——这是因为NumPy的向量化操作避开了Python循环的开销，直接在底层执行优化后的数值计算。

内容的提问来源于stack exchange，提问作者DYZ