为什么 numpy.broadcast "transpose" vstack 和类似函数的结果？

Question

观察：

In [1]: import numpy as np
In [2]: x = np.array([1, 2, 3])
In [3]: np.vstack([x, x])
Out[3]: 
array([[1, 2, 3],
       [1, 2, 3]])

In [4]: np.vstack(np.broadcast(x, x))
Out[4]: 
array([[1, 1],
       [2, 2],
       [3, 3]])

与 column_stack 和 row_stack 类似（hstack 在这种情况下表现不同，但在与广播一起使用时也不同）。为什么？

我追求的是其背后的逻辑，而不是寻找一种方法来实现 "repairing" 这种行为（我觉得很好，只是不直观）。

Answer 1

np.broadcast returns 描述如何数组应该一起广播的迭代器对象实例。¹ 其中，它描述了结果数组的形状和维数。

至关重要的是，当你在 Python 中实际迭代这个对象时，你会从每个输入数组中得到元素的元组：

>>> b = np.broadcast(x, x)
>>> b.shape
(3,)
>>> b.ndim
1
>>> list(b)
[(1, 1), (2, 2), (3, 3)]

这告诉我们，如果我们对数组执行实际操作（例如，x+x），NumPy 将 return 一个形状为 (3,) 的数组，一维并将元组中的元素以生成最终数组中的值（例如，它将执行 1+1、2+2、3+3 作为加法）。

如果你深入研究 vstack 的源代码，你会发现 all it does 是确保给它的可迭代元素至少是二维的，然后将它们堆叠起来沿轴 0.

在 b = np.broadcast(x, x) 的情况下，这意味着我们要堆叠以下数组：

>>> [np.atleast_2d(_m) for _m in b]
[array([[1, 1]]), array([[2, 2]]), array([[3, 3]])]

然后将这三个小阵列垂直堆叠，产生您记下的输出。

¹ 不同维度的数组如何并行迭代是 NumPy 广播工作原理的核心。大部分代码可以在 iterators.c. An interesting overview of NumPy's multidimensional iterator, written by Travis Oliphant himself, can be found in the Beautiful Code 书中找到。

为什么 numpy.broadcast "transpose" vstack 和类似函数的结果？

Why does numpy.broadcast "transpose" results of vstack and similar functions?

python

arrays

numpy

array-broadcasting