Bỏ qua đến nội dung chính
Mục lục

Broadcasting trong NumPy: tính giữa hai mảng khác shape

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 13/23 · Chương 2

Mảng và tư duy vector

  • 9 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

Broadcasting trong NumPy (numpy broadcasting) là quy tắc cho phép cộng, trừ, nhân, chia hai mảng khác shape, bằng cách kéo dãn mảng nhỏ cho khớp mảng lớn. Bạn cần nó mỗi khi một bảng số gặp một dãy số, chẳng hạn trừ doanh thu 12 tháng của tám chi nhánh cho chỉ tiêu tháng của từng chi nhánh.

Cần biết trước: shape, ndim, dtype, reshape() và thống kê theo axis.

Trừ bảng (12, 8) cho một hàng (8,)

File doanh_thu_chi_nhanh.csv ghi doanh thu (triệu đồng) của tám chi nhánh trong 12 tháng, đọc bằng np.loadtxt() thành bảng shape (12, 8). Mỗi chi nhánh có một chỉ tiêu tháng riêng, xếp trong một mảng shape (8,) theo đúng thứ tự cột. Bạn muốn biết mỗi tháng chi nhánh nào vượt hay hụt bao nhiêu:

python
import numpy as np

dt = np.loadtxt("doanh_thu_chi_nhanh.csv", delimiter=",",
                skiprows=1, usecols=range(1, 9), dtype=int,
                encoding="utf-8")
chi_tieu = np.array([900, 1000, 450, 420, 200, 330, 380, 280])
chenh = dt - chi_tieu
print(dt.shape, chi_tieu.shape, chenh.shape)
print(chenh[0])
print(chenh[11])

KẾT QUẢ

(12, 8) (8,) (12, 8)
[155 242 127  94  84  62  70  68]
[187 291  82  94   0  66  78  62]

Mảng chỉ tiêu chỉ có một hàng, nhưng NumPy dùng nó cho cả 12 hàng của bảng: hàng tháng 1 trừ chỉ tiêu, hàng tháng 12 cũng trừ đúng chỉ tiêu ấy. Giống như bạn đặt một thước đo dọc theo từng dòng của sổ doanh thu. NumPy không thật sự chép mảng chỉ tiêu ra 12 lần; nó tính như thể đã chép, nên phép tính vẫn nhanh. Huế (cột thứ năm) tháng 12 vừa đúng chỉ tiêu, nên ô đó là 0. Phép trừ mảng cho một số là trường hợp đơn giản nhất của cùng quy tắc này.

Quy tắc so shape từ phải sang trái

Muốn biết hai shape có đi với nhau được không, hãy viết chúng thành hai dòng, căn thẳng theo mép phải, như khi đặt hai số nhiều chữ số để cộng theo hàng đơn vị. Rồi đọc từng cột từ phải sang trái:

  1. Cột qua được khi hai số bằng nhau, khi một trong hai số là 1, hoặc khi một dòng không có số ở cột đó (mảng ít chiều hơn).

  2. Mọi cột đều qua thì shape kết quả lấy số lớn hơn ở từng cột; bên mang số 1 hay để trống được dùng lại cho đủ.

  3. Chỉ cần một cột không qua, NumPy dừng với lỗi ValueError.

Với (12, 8) và (8,): cột phải là 8 gặp 8, qua; cột trái là 12 gặp chỗ trống, qua; kết quả (12, 8). Hàm np.broadcast_shapes() làm đúng phép đọc đó trên các shape, không cần tạo mảng:

python
import numpy as np

print(np.broadcast_shapes((12, 8), (8,)))
print(np.broadcast_shapes((3, 1), (4,)))
print(np.broadcast_shapes((3, 4), (3, 1)))
print(np.broadcast_shapes((5,), (1,)))

KẾT QUẢ

(12, 8)
(3, 4)
(3, 4)
(5,)

Dòng hai đáng để ý: một cột (3, 1) và một hàng (4,) cho ra cả một bảng (3, 4), vì mỗi bên được dùng lại theo chiều mà nó chỉ có 1 hay để trống. Dòng cuối cho thấy mảng một phần tử đi được với mảng bất kỳ.

Đổi (5,), (1,) thành (5,), (2,) rồi chạy lại: dòng cuối báo lỗi ValueError, vì 5 và 2 không bằng nhau và không bên nào là 1.

Tính theo hàng: reshape(-1, 1) và np.newaxis

Ba chi nhánh Huế, Đà Lạt, Hà Nội ghi số ly bán của bốn món. Muốn biết mỗi món chiếm bao nhiêu phần trăm doanh thu của chính chi nhánh đó, bạn chia mỗi hàng cho tổng của hàng. Tổng theo axis=1 có shape (3,); reshape(-1, 1) dựng nó thành một cột (3, 1), và tong[:, np.newaxis] cũng vậy:

python
import numpy as np

so_ly = np.array([[40, 25, 18, 9],
                  [31, 40, 22, 15],
                  [55, 38, 30, 20]])
gia = np.array([29000, 32000, 35000, 45000])
doanh_thu = so_ly * gia
tong = doanh_thu.sum(axis=1)
print(tong.reshape(-1, 1).shape, tong[:, np.newaxis].shape)
ti_trong = doanh_thu / tong.reshape(-1, 1) * 100
print(ti_trong.round(1))
cot = tong[:, np.newaxis]
print(np.array_equal(ti_trong, doanh_thu / cot * 100))

KẾT QUẢ

(3, 1) (3, 1)
[[38.7 26.7 21.  13.5]
 [24.8 35.3 21.2 18.6]
 [33.5 25.5 22.1 18.9]]
True

so_ly * gia là bảng (3, 4) nhân một hàng (4,), như ví dụ chỉ tiêu. Theo quy tắc, (3, 4) với (3, 1) qua cả hai cột, nên cột tổng được dùng lại cho bốn món và cả hàng Huế chia cho tổng của Huế. Cà phê sữa chiếm 38,7% doanh thu ở Huế nhưng chỉ 24,8% ở Đà Lạt. np.newaxis đặt trong chỉ số thêm một trục dài 1 đúng ở vị trí nó đứng: tong[:, np.newaxis] là cột, tong[np.newaxis, :] là hàng (1, 3). Hai cách cho cùng kết quả, dòng cuối in True.

Bảng vuông chia sai mà không báo lỗi

Lỗi trên chỉ hiện ra vì bảng có 4 cột mà 3 hàng. Khi số hàng bằng số cột, phép chia thiếu reshape vẫn chạy và cho số sai.

Ghép một hàng và một cột thành bảng

Quán bán ba cỡ ly, cỡ lớn hơn cộng thêm phụ thu. Giá bốn món là một hàng, phụ thu ba cỡ là một cột, và phép cộng dựng ra bảng giá đủ ba cỡ:

python
import numpy as np

gia = np.array([29000, 32000, 35000, 45000])
phu_thu = np.array([0, 5000, 9000])
bang_gia = gia + phu_thu.reshape(-1, 1)
print(bang_gia.shape)
print(bang_gia)

KẾT QUẢ

(3, 4)
[[29000 32000 35000 45000]
 [34000 37000 40000 50000]
 [38000 41000 44000 54000]]

Đây là dòng hai của ví dụ np.broadcast_shapes(): cột (3, 1) gặp hàng (4,) thành bảng (3, 4). Mỗi hàng là một cỡ ly, mỗi cột là một món, và bạn không viết vòng lặp nào.

Đổi 5000, 9000 thành 5000, 12000 rồi chạy lại: hàng cuối in [41000 44000 47000 57000].

Kiểm tra nhanh

  1. Sau import numpy as np, np.broadcast_shapes((2, 3), (3,)) trả về gì?

    • (2, 3)
    • (3, 2)
    • Báo lỗi ValueError
  2. Sau import numpy as np, np.array([[1, 2], [3, 4], [5, 6]]) - np.array([1, 2, 3]) cho kết quả gì?

    • [[0 0] [1 1] [2 2]]
    • Báo lỗi ValueError
    • Báo lỗi TypeError
  3. Bảng doanh_thu có shape (3, 4). Chia nó cho mảng có shape nào thì không báo lỗi?

    • (4,)
    • (3, 1)
    • (3,)
    • (1, 4)
  4. Trong khung bẫy bảng vuông (3, 3), vì sao chia cho doanh_thu.sum(axis=1) không báo lỗi mà vẫn sai?

    • NumPy tự hiểu bạn muốn chia theo hàng, nên chỉ làm tròn sai
    • Mảng tổng (3,) được coi là một hàng, nên mỗi cột bị chia cho tổng của một chi nhánh
    • Phép chia bỏ qua mảng có shape khác bảng
Đúng hết lần đầu +15 XP

Bài tập

Dựng bảng giá theo từng mức giảm

Quán thử nhiều mức giảm giá cho cả menu. gia là mảng giá các món, shape (n,), mỗi giá là bội của 1.000 đ; muc_giam là mảng các mức giảm theo phần trăm, shape (m,). Viết thân hàm bang_gia_giam(gia, muc_giam): hàng i của bảng là giá mọi món khi giảm muc_giam[i] phần trăm.

Biến muc_giam thành cột bằng reshape() và không dùng vòng lặp for. Hàm không sửa hai mảng của nơi gọi.

Trả về: bảng giá shape (m, n), một ndarray.

Ví dụ bang_gia_giam(np.array([30000, 40000]), np.array([10, 50])) cho hàng đầu [27000 36000] và hàng sau [15000 20000].

python
import numpy as np


def bang_gia_giam(gia, muc_giam):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Broadcasting cho phép tính giữa hai mảng khác shape bằng cách dùng lại chiều bằng 1 hay chiều còn trống.

  • Căn hai shape theo mép phải, đọc từ phải sang trái: mỗi cột phải bằng nhau, có một số 1 hoặc để trống.

  • Bảng (m, n) đi được với một hàng (n,): hàng được dùng cho mọi hàng của bảng.

  • Muốn tính theo hàng, dựng mảng (m,) thành cột bằng reshape(-1, 1) hay [:, np.newaxis].

  • Thiếu reshape thì bảng không vuông báo ValueError, còn bảng vuông chạy êm mà ra số sai.

  • Một cột (m, 1) gặp một hàng (n,) cho ra cả bảng (m, n).

Câu hỏi thường gặp

Broadcasting trong Python có dùng được với list không?

Không. Broadcasting là quy tắc của mảng NumPy; với list, + nối hai list và * lặp lại list. Đổi list sang mảng bằng np.array() trước, như bài mảng NumPy hướng dẫn, rồi mới tính giữa hai dãy số.

Broadcasting có tốn bộ nhớ vì chép mảng nhỏ ra nhiều lần không?

Không đáng kể với mảng nhỏ được kéo dãn: NumPy không tạo bản chép đầy đủ của mảng đó, chỉ tính như thể đã chép. Bộ nhớ tốn là của bảng kết quả, vì bảng (m, n) phải có đủ m × n ô. Bài vectorization giải thích vì sao tính cả mảng nhanh hơn vòng lặp.

Nhân bảng với một hàng có giống nhân ma trận không?

Không. so_ly * gia nhân từng ô với giá của cột đó và giữ shape (3, 4). Nhân ma trận bằng toán tử @ cộng dồn các tích trên mỗi hàng, cho ra ngay doanh thu mỗi chi nhánh với shape (3,); bài nhân ma trận NumPy dạy toán tử đó.

Sửa lỗi operands could not be broadcast together thế nào?

Căn hai shape trong thông báo theo mép phải như mục quy tắc ở trên. Cột đầu tiên, tính từ phải, có hai số khác nhau mà không số nào là 1 cho biết mảng nào cần thêm trục; thường cách sửa là dựng mảng đó thành cột bằng reshape(-1, 1). Trang lỗi operands could not be broadcast có thêm các trường hợp hay gặp.

Chủ đề

numpy broadcasting

Dữ liệu của bài

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập