Python 线性代数 03:逐元素运算、Hadamard 积与广播
- 2026-08-21 05:51:23
逐元素运算按照对应位置处理向量、矩阵和更高维张量中的元素。在 NumPy 中，这些对象通常由不同维度的数组表示。
Hadamard 积是最常见的逐元素运算之一，用于将两个同形状数组的对应元素相乘。逐元素规则还可以用于加法、减法、除法、乘方、比较和函数变换。在 NumPy 中，广播机制还允许部分形状不同但兼容的数组进行逐元素运算。
一、什么是逐元素运算
1、相同位置分别计算
逐元素运算（Element-wise Operation）对输入中的各个元素独立执行运算。对于二元逐元素运算，两个输入中对应位置的元素分别参与同一种标量运算。
设两个 n 维向量为：
如果对两个向量执行同一种逐元素运算，则第 i 个输出元素只由两个输入向量中的第 i 个元素决定：
其中，符号 ⋆ 表示某种给定的标量运算，例如加法、减法、乘法或除法。
每个输出元素都不会与其他位置的元素发生组合。
2、同形状运算保持形状
如果两个向量都属于 ℝⁿ，那么同形状逐元素运算的结果仍属于 ℝⁿ：
对于两个同形状矩阵：
因此，同形状逐元素运算具有三个基本特点：
相同位置分别计算；
不组合不同位置的元素；
结果与输入具有相同形状。
需要提醒的是，在 NumPy 中使用广播时，两个输入不必具有完全相同的形状，结果形状由广播规则决定。
二、Hadamard 积
1、Hadamard 积的定义
Hadamard 积（Hadamard Product）是两个同形状向量、矩阵或张量之间的逐元素乘法，通常使用符号 ⊙ 表示。
对于两个 n 维向量：
对于两个 m × n 矩阵：
结果中第 i 行、第 j 列的元素为：
标准 Hadamard 积要求两个输入具有相同形状。
NumPy 中形状不同但可以广播的逐元素乘法，是先按照广播规则对齐形状，再执行对应位置乘法，不属于两个原始同形状矩阵之间的标准 Hadamard 积。
2、手工计算示例
设：
则：
每个结果都来自两个矩阵中对应位置元素的乘积。
3、Hadamard 积的基本性质
设 A、B、C 是形状相同的实矩阵或张量，c 是实数。以下性质均以参与对象的形状相同为前提。
Hadamard 积满足交换律：
满足结合律：
对矩阵加法满足分配律：
设 𝟙 表示与 A 形状相同的全 1 矩阵，则：
设 𝟘 表示与 A 形状相同的零矩阵，则：
标量与 Hadamard 积满足：
4、与其他乘法的区别
Hadamard 积：只计算对应位置元素的乘积，结果与输入具有相同形状。
点积：先计算对应分量的乘积，再将这些乘积求和，结果是标量。
外积：计算两个向量所有分量之间的两两乘积，结果是矩阵。
矩阵乘法：按照左矩阵的行与右矩阵的列进行点积，结果形状由两个输入矩阵的外侧尺寸决定。
判断一种乘法时，可以从以下方面区分：
输入对象的形状；
是否只处理对应位置；
是否在乘法后继续求和；
输出结果是标量、向量还是矩阵。
三、其他常见逐元素运算
1、逐元素加法与减法
对于两个同形状矩阵：
向量、矩阵和更高维数组的逐元素加减，都遵循对应位置分别计算的规则。
2、逐元素除法
逐元素除法可以使用符号 ⊘ 表示：
例如：
逐元素除法要求各对应位置的除数不为 0，即 bᵢⱼ ≠ 0。若使用浮点数组，除以 0 通常会产生 inf 或 nan，并伴随运行时警告。
3、逐元素乘方
对矩阵中的每个元素分别求 p 次幂，可以写成：
其中：
若 p 为非负整数，各实数元素均可计算；若 p 取其他实数，还需要满足相应的实数定义域条件。
逐元素平方可以写成：
逐元素乘方不同于矩阵幂。
逐元素乘方分别处理每个元素；矩阵幂只适用于方阵，并通过矩阵乘法定义。
4、逐元素比较
两个同形状数组可以逐元素比较。例如：
结果是布尔数组，可以用于筛选、条件计算和掩码处理。
5、逐元素函数
给定一个标量函数 f，将它逐元素作用于矩阵 A，可以定义结果矩阵 B，其中：
绝对值、平方根、指数、对数和三角函数，都可以按照逐元素方式作用于数组。
四、使用 Python 基本语法进行逐元素运算
1、使用列表推导式
可以使用 zip() 配对两个列表中的对应元素：
a = [2, -1, 3]b = [4, 5, -2]if len(a) != len(b):raise ValueError("两个向量的长度必须相同")hadamard_product = [x * yfor x, y in zip(a, b)]print(hadamard_product)
输出：
[8, -5, -6]这里没有继续对乘积求和，因此结果是列表，而不是点积得到的标量。
2、二维列表的逐元素乘法
对于二维列表，需要分别处理每一行中的对应元素：
A = [[1, 2, -1],[3, 0, 4]]B = [[2, -1, 5],[0, 6, 2]]if len(A) != len(B):raise ValueError("两个矩阵的行数必须相同")result = []for row_a, row_b in zip(A, B):if len(row_a) != len(row_b):raise ValueError("对应行的长度必须相同")result.append([x * yfor x, y in zip(row_a, row_b)])print(result)
输出：
[[2, -2, -5], [0, 0, 8]]使用嵌套列表时，应同时检查行数和对应行的长度，避免 zip() 在较短序列结束时停止。
Python 列表本身不支持 NumPy 式广播，需要在程序中明确编写相应的循环或推导式。
五、使用 NumPy 进行逐元素运算
1、逐元素乘法
在 NumPy 中，* 表示逐元素乘法：
import numpy as npA = np.array([[1, 2, -1],[3, 0, 4]])B = np.array([[2, -1, 5],[0, 6, 2]])result = A * Bprint(result)
输出：
[[ 2 -2 -5][ 0 0 8]]
也可以使用 np.multiply()：
result = np.multiply(A, B)* 更简洁，np.multiply() 则明确表示调用逐元素乘法函数。
2、常见逐元素运算符
NumPy 中常见的逐元素运算包括：
A + BA - BA * BA / BA ** 2A > B
它们分别表示逐元素加法、减法、乘法、除法、平方和比较。
例如：
import numpy as npA = np.array([[1.0, 2.0],[3.0, 4.0]])B = np.array([[2.0, 4.0],[1.0, 8.0]])print(A + B)print(A / B)print(A ** 2)print(A > B)
输出：
[[ 3. 6.][ 4. 12.]][[0.5 0.5][3. 0.5]][[ 1. 4.][ 9. 16.]][[False False][ True False]]
3、逐元素函数
NumPy 的许多数值函数会自动作用于数组中的每个元素：
import numpy as npA = np.array([[-1.0, 0.0],[1.0, 2.0]])absolute_values = np.abs(A)exponential_values = np.exp(A)clipped_values = np.clip(A, 0.0, 1.0)print(absolute_values)print(exponential_values)print(clipped_values)
其中：
np.abs() 逐元素取绝对值；
np.exp() 逐元素计算 e 的相应次幂；
np.clip() 将每个元素限制在指定范围内。
还可以使用 np.sqrt()、np.log()、np.sin() 和 np.cos() 等函数进行逐元素变换。
4、广播的基本规则
广播（Broadcasting）是 NumPy 在逐元素运算中处理不同形状数组的一套规则。
当两个数组形状不同但兼容时，NumPy 在运算过程中将长度为 1 的轴或缺失的前导轴视为可扩展，原数组本身的形状通常不会因此被修改，也通常不需要复制完整数据。
NumPy 从两个数组形状的最后一个轴开始向前比较。
对应轴满足以下任一条件时，可以广播：
两个对应轴的长度相同；
其中一个对应轴的长度为 1；
较短形状缺少相应的前导轴。
例如，(4, 3) 与 (3,)：
最后一个轴的长度都是 3，可以广播，结果形状为：(4, 3)。
(4, 3) 与 (4, 1) 这两个形状也可以广播：
最后一个轴的长度分别为 3 和 1，长度为 1 的轴可以扩展，因此结果形状为：(4, 3)。
但是，(4, 3) 与 (4,) 则不能广播，因为从末尾比较时，最后一个轴的长度分别为 3 和 4，既不相同，也没有一个为 1。
标量可以与任意形状的数组进行逐元素运算：
import numpy as npA = np.array([[1.0, 2.0],[3.0, 4.0]])print(A + 10.0)print(A * 0.5)
标量会作用于数组中的每个元素，结果形状与数组相同。
5、一维数组与矩阵的广播
设 data 的形状为 (2, 3)，scale 的形状为 (3,)：
import numpy as npdata = np.array([[1.0, 2.0, 3.0],[4.0, 5.0, 6.0]])scale = np.array([0.5, 1.0, 2.0])result = data * scaleprint(result)print(result.shape)
输出：
[[ 0.5 2. 6. ][ 2. 5. 12. ]](2, 3)
形状关系为：(2, 3) 与 (3,) → (2, 3)。
一维数组 scale 会与矩阵的最后一个轴对齐，因此三个元素分别作用于矩阵的三列。
可以使用 np.broadcast_shapes() 函数检查多个形状广播后的结果：
shape = np.broadcast_shapes((2, 3),(3,))print(shape)
输出：
(2, 3)6、增加轴与形状对齐
如果希望一个长度为 2 的一维数组分别作用于矩阵的两行，不能直接将形状 (2,) 与形状 (2, 3) 相乘。
例如：
row_scale = np.array([10.0, 100.0])此时 row_scale.shape 结果为：(2,)。
NumPy 从最后一个轴开始比较，形状 (2, 3) 和 (2,) 的最后一个轴长度分别为 3 和 2，因此不能广播。
可以在数组索引中使用 np.newaxis，为 row_scale 增加一个长度为 1 的轴：
row_scale = row_scale[:, np.newaxis]print(row_scale.shape)
输出：
(2, 1)此时形状关系为：(2, 3) 与 (2, 1) → (2, 3)。
完整示例如下：
import numpy as npdata = np.array([[1.0, 2.0, 3.0],[4.0, 5.0, 6.0]])row_scale = np.array([10.0, 100.0])row_scale = row_scale[:, np.newaxis]result = data * row_scaleprint(result)
输出：
[[ 10. 20. 30.][400. 500. 600.]]
还可以使用数组的 reshape() 方法增加轴：
row_scale = np.array([10.0, 100.0])row_scale = row_scale.reshape(-1, 1)
也可使用 np.expand_dims() 函数：
row_scale = np.array([10.0, 100.0])row_scale = np.expand_dims(row_scale,axis=1)
增加轴不会改变元素数量，只会改变数组的形状，使轴能够按照预期方向对齐。
7、keepdims 参数与维度保持
聚合运算默认移除被聚合的轴。若结果还要与原数组按对应轴运算，可以使用 keepdims=True 将该轴保留为长度 1，从而形成可广播的形状。
例如，沿每一行计算均值：
import numpy as npdata = np.array([[1.0, 2.0, 3.0],[4.0, 5.0, 6.0]])row_mean = data.mean(axis=1)print(row_mean)print(row_mean.shape)
输出：
[2. 5.](2,)
形状 (2,) 不能直接与形状 (2, 3) 按行对应。
使用参数 keepdims=True，可以将被聚合的轴保留为长度 1：
row_mean = data.mean(axis=1,keepdims=True)print(row_mean)print(row_mean.shape)
输出：
[[2.][5.]](2, 1)
此时可以直接通过广播完成按行中心化：
centered = data - row_meanprint(centered)
输出结果：
[[-1. 0. 1.][-1. 0. 1.]]
8、更高维数组的广播
广播规则也适用于更高维数组。
例如，(5, 2, 3) 与 (3,)，可以广播为：(5, 2, 3)。
长度为 3 的一维数组与最后一个轴对齐。
又如，(5, 2, 3) 与 (2, 1)，也可以广播为：(5, 2, 3)。
第二个数组缺少最前面的轴，可以视为其形状为 (1, 2, 1)，长度为 1 的轴再按照广播规则扩展。
9、使用布尔数组处理条件
逐元素比较可以生成布尔数组：
import numpy as npdata = np.array([[-2.0, 0.5, 3.0],[1.0, -1.0, 4.0]])mask = data > 0print(mask)
输出：
[[False True True][ True False True]]
布尔数组可以用于筛选，也可以参与逐元素计算。
例如，将非正数替换为 0：
result = np.where(data > 0,data,0.0)print(result)
输出：
[[0. 0.5 3. ][1. 0. 4. ]]
在 np.where(condition, x, y) 中，条件成立的位置取 x 中的值，否则取 y 中的值。当前示例中，x 是原数组 data，y 是标量 0.0。
六、常见问题及使用建议
1、确认运算符的含义
在 NumPy 中，* 表示逐元素乘法，@ 或 np.matmul() 表示按矩阵乘法规则处理数组，** 表示逐元素乘方。
对于一维数组，a * b 得到逐元素乘积数组，a @ b 得到点积标量。使用前应根据运算目标和输出形状选择正确的运算符。
2、检查广播方向
广播成功只表示形状兼容，不表示计算含义正确。
形状为 (n,) 的一维数组默认与矩阵的最后一个轴对齐；需要按其他轴计算时，应通过增加轴或保留维度明确形状。
3、检查除数和数据类型
逐元素除法前应检查除数中的 0 或接近 0 的元素，避免产生 inf 或 nan。
整数数组执行原地除法时，可能因浮点结果无法写回整数数组而报错。需要浮点结果时，可以预先转换数据类型，或使用普通除法生成新数组：
A = A.astype(float)A /= 2
或者：
result = A / 2📘 小结
逐元素运算按照对应位置分别计算向量、矩阵和更高维张量中的元素。Hadamard 积是同形状对象之间的逐元素乘法，在 NumPy 中通常使用 * 或 np.multiply() 实现。NumPy 的广播机制允许兼容形状的数组进行逐元素运算，但仍需明确各轴含义。
随机文章
-
10个月宝宝每天需要喝多少奶粉？
- Python Rasterio 气象栅格完整实操指南:数据获取、预处理与可视化
- 量化实战:用 Python 复现「量价分析」策略,回测跑赢持有 91 个百分点
- 花2万多入手的Python全套教程,零基础也能学明白
- Python函数几百个背不完?高频内置函数就这30个,背完直接起飞!
- VBA和Python在国外居然这么吃香 做的办公工自动化工具工资直接翻倍
- 吐槽 | NCRE官网二级Python样题
- Java与Python双栈融合:构建企业级AI Agent的最佳实践
- 【自学课程】全民一起学Python|基础+实战全套课程
- Python 跑进 Doris SQL 是什么体验?AI 分析从此换了活法
- OpenVINO:C/C++ & Python API 全解析
