Бродкастинг
Операции NumPy обычно выполняются с парами массивов поэлементно. В простейшем случае два массива должны иметь одинаковую форму. Бродкастинг ослабляет это ограничение. Рассмотрим пример, где первое значение у нас массив, а второе - скаляр. Второе значение растягивается во время операции в массив той же формы. В результате этого новые элементы – это копии оригинального скаляра. Преимущество бродкастинга заключается в том, что это дублирование значений на самом деле не происходит. Таким образом операции максимально эффективны с точки зрения памяти и вычислений.
#практика
Операции NumPy обычно выполняются с парами массивов поэлементно. В простейшем случае два массива должны иметь одинаковую форму. Бродкастинг ослабляет это ограничение. Рассмотрим пример, где первое значение у нас массив, а второе - скаляр. Второе значение растягивается во время операции в массив той же формы. В результате этого новые элементы – это копии оригинального скаляра. Преимущество бродкастинга заключается в том, что это дублирование значений на самом деле не происходит. Таким образом операции максимально эффективны с точки зрения памяти и вычислений.
#практика