使用numpy.vectorize转换齐次坐标时触发ValueError求助

咱们先搞清楚问题根源：np.vectorize其实只是个循环包装的语法糖，它会逐个遍历输入数组的元素调用你的函数，但它得明确知道函数返回值的类型和形状才行。你传单个整数（比如0）时，函数返回[0,1]，vectorize能正常处理；但传[0,1]时，它会把0和1分别传给to_homogenous，每个调用都返回一个长度为2的数组——而vectorize默认没察觉到这个输出是序列，它试图把这些序列当成标量来拼数组，自然就触发了ValueError: setting an array element with a sequence。

方案1：给np.vectorize指定otypes参数 #

你可以直接告诉np.vectorize函数的返回结构，比如指定输出是两个整数类型，或者直接指定是长度为2的数组：

import numpy as np

def to_homogenous(x):
    ''' Convert a point x to homogenous coordinates. '''
    return np.hstack((x, np.array([1]))).flatten()

# 方式1：指定输出为两个整数数组，之后合并成二维数组
vec_to_homo = np.vectorize(to_homogenous, otypes=[np.int64, np.int64])
coords = vec_to_homo([0,1])
coords = np.column_stack(coords)
print(coords)
# 输出：
# [[0 1]
#  [1 1]]

# 方式2：直接指定输出为长度为2的整数数组
vec_to_homo = np.vectorize(to_homogenous, otypes=[np.dtype('(2,)int')])
coords = vec_to_homo([0,1])
print(coords)
# 输出：
# [[0 1]
#  [1 1]]

方案2：用真正的向量化操作替代np.vectorize #

其实np.vectorize的效率并不高（底层就是Python循环），对于这个场景，我们完全可以用numpy原生的向量化操作实现，既简洁又高效：

import numpy as np

def vec_to_homo(coords):
    # 把输入转成列向量，再拼接一列全1的元素
    coords_arr = np.array(coords)
    return np.hstack([coords_arr[:, np.newaxis], np.ones((len(coords_arr), 1), dtype=int)])

coords = vec_to_homo([0,1])
print(coords)
# 输出：
# [[0 1]
#  [1 1]]

这个方法直接处理整个数组，没有循环开销，数据量越大优势越明显。

为什么你的代码和官方示例接近却出错？ #

官方示例里的函数大多返回标量，vectorize能自动推断输出类型；但你的函数返回的是数组/序列，这时候它没法自动判断输出形状，必须手动指定otypes参数——这就是你和示例的关键差异啦。

内容的提问来源于stack exchange，提问作者hsvar