numpy.ufunc.outer#

方法

ufunc.outer(A, B, /, **kwargs)#

将 ufunc op 应用于 A 中的 a 和 B 中的 b 的所有对 (a, b)。

M = A.ndim, N = B.ndim。那么 op.outer(A, B) 的结果 C 是一个维度为 M + N 的数组,使得

\[C[i_0, ..., i_{M-1}, j_0, ..., j_{N-1}] = op(A[i_0, ..., i_{M-1}], B[j_0, ..., j_{N-1}])\]

对于一维的 AB,这等效于

r = empty(len(A),len(B))
for i in range(len(A)):
    for j in range(len(B)):
        r[i,j] = op(A[i], B[j])  # op = ufunc in question
参数:
Aarray_like

第一个数组

Barray_like

第二个数组

kwargsany

传递给 ufunc 的参数。通常是 dtypeout。有关所有可用参数的全面概述,请参见 ufunc

返回值:
rndarray

输出数组

另请参见

numpy.outer

一个比 np.multiply.outer 弱的版本,它将所有输入 ravel 为一维。这主要用于与旧代码的兼容性。

tensordot

np.tensordot(a, b, axes=((), ()))np.multiply.outer(a, b) 对 a 和 b 的所有维度都表现相同。

示例

>>> np.multiply.outer([1, 2, 3], [4, 5, 6])
array([[ 4,  5,  6],
       [ 8, 10, 12],
       [12, 15, 18]])

一个多维示例

>>> A = np.array([[1, 2, 3], [4, 5, 6]])
>>> A.shape
(2, 3)
>>> B = np.array([[1, 2, 3, 4]])
>>> B.shape
(1, 4)
>>> C = np.multiply.outer(A, B)
>>> C.shape; C
(2, 3, 1, 4)
array([[[[ 1,  2,  3,  4]],
        [[ 2,  4,  6,  8]],
        [[ 3,  6,  9, 12]]],
       [[[ 4,  8, 12, 16]],
        [[ 5, 10, 15, 20]],
        [[ 6, 12, 18, 24]]]])