Numpy：np.repeat和np.broadcast_to之间的差异

Question

1°为什么以下代码返回False？我以为np.broadcast_to会像np.repeat一样增加数组的dimensin。

2°我可以用np.repeat再现np.broadcast_to给出的结果吗？

import numpy as np
n = 100
d = 10
A = np.random.uniform(size=(n,d))
np.all(np.broadcast_to(A.reshape(n,1,d),(n,d-1,d))==np.repeat(A,d-1).reshape(n,d-1,d))

3°更笼统，对于给定的形状（n，d）的射线A，我如何用np.repeat(A,k).reshape((n,k,d))再现np.broadcast_to？

Answer 1

np.broadcast_to为您提供array-wise重复，而np.repeat为您提供element-wise重复行为，请参阅文档[1]和[2]中的示例。为了在这种情况下获得均等的输出，可以按如下方式更改重塑：

import numpy as np
n = 100
d = 10
A = np.random.uniform(size=(n,d))

A_bc = np.broadcast_to(A.reshape(n*d, 1), (n*d, d-1)).reshape(n, d-1, d)
A_rp = np.repeat(A, d-1).reshape(n, d-1, d)

np.all(A_rp == A_bc)
# True

注意：尽管timeit表示broadcast_to选项稍微快一些，但我不确定它实际上是否更节省内存。

Answer 2

这里发生了很多事情，使用包含少量标志值的数组来识别问题会更容易。这是一个易于使用的示例：

arr = np.array([[1, 2, 1, 2], [3, 4, 3, 4]]) # n = 2, d = 4

让我们看看broadcast_to的作用：

broadcast_to

您可以使用

>>> A.reshape(n, 1, d)
array([[[1, 2, 1, 2]],
       [[3, 4, 3, 4]]])
>>> arr.broadcast_to(_, (n, d - 1, d))
array([[[1, 2, 1, 2],
        [1, 2, 1, 2],
        [1, 2, 1, 2]],
       [[3, 4, 3, 4],
        [3, 4, 3, 4],
        [3, 4, 3, 4]]])

，tile和tile获得功能相似的数组。主要区别在于stack不会在新维度中复制数据。相反，它会调整步幅，以使数组看起来具有正确的大小（如果您不小心，可能会导致意外行为，例如，写入缓冲区）：

stack

concatenate

concatenate

现在让我们看一下broadcast_to：

np.tile(arr.reshape(n, 1, d), (1, d - 1, 1))

这是扁平化的数组，其每个元素重复np.stack([arr] * (d - 1), axis=1)次。显然，此处的重塑将与广播/平铺的版本不同：

np.concatenate([arr.reshape(n, 1, d)] * (d - 1), axis=1)

显然，逐元素重复与广播不同。但是，如果正确使用repeat关键字，则实际上可以得到正确的结果：

repeat

[如果您想采用另一种方法，并且将数据包装在较短的行中，则可以使用>>> np.repeat(arr, d - 1)
array([1, 1, 1, 2, 2, 2, 1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 3, 3, 3, 4, 4, 4])
和d - 1的组合重新解释尺寸：

>>> _.reshape(n, d - 1, d)
array([[[1, 1, 1, 2],
        [2, 2, 1, 1],
        [1, 2, 2, 2]],
       [[3, 3, 3, 4],
        [4, 4, 3, 3],
        [3, 4, 4, 4]]])

这里是转换的演练：

axis