- NumPy 教程
- NumPy - 首页
- NumPy - 简介
- NumPy - 环境
- NumPy 数组
- NumPy - Ndarray 对象
- NumPy - 数据类型
- NumPy 创建和操作数组
- NumPy - 数组创建例程
- NumPy - 数组操作
- NumPy - 从现有数据创建数组
- NumPy - 从数值范围创建数组
- NumPy - 遍历数组
- NumPy - 数组重塑
- NumPy - 数组连接
- NumPy - 数组堆叠
- NumPy - 数组分割
- NumPy - 数组扁平化
- NumPy - 数组转置
- NumPy 索引和切片
- NumPy - 索引和切片
- NumPy - 高级索引
- NumPy 数组属性和操作
- NumPy - 数组属性
- NumPy - 数组形状
- NumPy - 数组大小
- NumPy - 数组步长
- NumPy - 数组元素大小
- NumPy - 广播
- NumPy - 算术运算
- NumPy - 数组加法
- NumPy - 数组减法
- NumPy - 数组乘法
- NumPy - 数组除法
- NumPy 高级数组操作
- NumPy - 交换数组轴
- NumPy - 字节交换
- NumPy - 复制和视图
- NumPy - 元素级数组比较
- NumPy - 数组过滤
- NumPy - 数组连接
- NumPy - 排序、搜索和计数函数
- NumPy - 搜索数组
- NumPy - 数组并集
- NumPy - 查找唯一行
- NumPy - 创建日期时间数组
- NumPy - 二元运算符
- NumPy - 字符串函数
- NumPy - 数学函数
- NumPy - 统计函数
- NumPy - 矩阵库
- NumPy - 线性代数
- NumPy - Matplotlib
- NumPy - 使用 Matplotlib 绘制直方图
- NumPy - NumPy 的 I/O
- NumPy 排序和高级操作
- NumPy - 数组排序
- NumPy - 沿轴排序
- NumPy - 使用花式索引排序
- NumPy - 结构化数组
- NumPy - 创建结构化数组
- NumPy - 操作结构化数组
- NumPy - 字段访问
- NumPy - 记录数组
- Numpy - 加载数组
- Numpy - 保存数组
- NumPy - 将值追加到数组
- NumPy - 交换数组的列
- NumPy - 将轴插入数组
- NumPy 处理缺失数据
- NumPy - 处理缺失数据
- NumPy - 识别缺失值
- NumPy - 删除缺失数据
- NumPy - 填充缺失数据
- NumPy 性能优化
- NumPy - 使用数组进行性能优化
- NumPy - 使用数组进行矢量化
- NumPy - 数组的内存布局
- Numpy 线性代数
- NumPy - 线性代数
- NumPy - 矩阵库
- NumPy - 矩阵加法
- NumPy - 矩阵减法
- NumPy - 矩阵乘法
- NumPy - 元素级矩阵运算
- NumPy - 点积
- NumPy - 矩阵求逆
- NumPy - 行列式计算
- NumPy - 特征值
- NumPy - 特征向量
- NumPy - 奇异值分解
- NumPy - 求解线性方程组
- NumPy - 矩阵范数
- NumPy 元素级矩阵运算
- NumPy - 求和
- NumPy - 平均值
- NumPy - 中位数
- NumPy - 最小值
- NumPy - 最大值
- NumPy 集合运算
- NumPy - 唯一元素
- NumPy - 交集
- NumPy - 并集
- NumPy - 差集
- NumPy 有用资源
- NumPy 编译器
- NumPy - 快速指南
- NumPy - 有用资源
- NumPy - 讨论
NumPy broadcast_to() 函数
Numpy broadcast_to() 函数用于将数组广播到新的形状。它模仿广播机制,在数组上创建具有指定形状的新视图,而无需实际复制数据。
这对于在不复制数据的情况下使数组具有兼容的形状以进行运算很有用。
语法
以下是 numpy.broadcast_to 函数的语法:
numpy.broadcast_to(array, shape, subok=False)
参数
以下是 numpy.broadcast_to 函数的参数:
- array: 要广播的数组。
- shape(元组): 要广播到的数组形状。
- subok(布尔值,可选): 如果此参数为 True,则子类将被传递,否则返回的数组将强制为基类数组。默认值为 False。
返回值
它返回具有给定形状的原始数组的只读视图。它将具有一个设置为 True 的只读属性。
示例 1
以下是使用 NumPy broadcast_to() 函数将一维数组广播到二维形状的示例。在此示例中,一维数组 [1, 2, 3] 被广播到形状为 (3, 3) 的二维数组。
import numpy as np # Original array arr = np.array([1, 2, 3]) # Broadcasting to shape (3, 3) broadcasted_arr = np.broadcast_to(arr, (3, 3)) print("Original array:") print(arr) print("\nBroadcasted array:") print(broadcasted_arr)
输出
Original array: [1 2 3] Broadcasted array: [[1 2 3] [1 2 3] [1 2 3]]
示例 2
我们可以使用 numpy.broadcast_to() 函数将二维数组广播到更高维度的形状。这里,二维数组 [[1, 2], [3, 4]] 被广播到形状为 (2, 2, 2) 的三维数组:
import numpy as np # Original 2D array arr = np.array([[1, 2], [3, 4]]) # Broadcasting to shape (2, 2, 2) broadcasted_arr = np.broadcast_to(arr, (2, 2, 2)) print("Original array:") print(arr) print("\nBroadcasted array:") print(broadcasted_arr)
输出
Original array: [[1 2] [3 4]] Broadcasted array: [[[1 2] [3 4]] [[1 2] [3 4]]]
示例 3
以下示例显示了 numpy.broadcast_to() 函数如何通过扩展其内容而无需复制数据来有效地将给定数组复制到新形状:
import numpy as np a = np.arange(4).reshape(1,4) print('The original array:') print(a) print('\n') print('After applying the broadcast_to function:') print(np.broadcast_to(a,(4,4)))
输出
The original array: [[0 1 2 3]] After applying the broadcast_to function: [[0 1 2 3] [0 1 2 3] [0 1 2 3] [0 1 2 3]]
numpy_array_manipulation.htm
广告