如何使用 numpy.vectorize 对部分参数进行向量化？

`numpy.vectorize` 的 `excluded` 参数可指定不参与广播的参数（如固定列表、对象或关键字参数），从而实现仅对目标数组向量化，避免形状不匹配错误。

在使用 numpy.vectorize 时，一个常见误区是认为所有传入参数都必须满足 NumPy 广播规则（即形状兼容）。但实际开发中，我们常遇到这样的场景：函数接收多个参数，其中仅有一个（或几个）是需逐元素处理的数组，其余则是不变的上下文参数——例如配置列表、查找表、标量阈值或类实例方法中的 self。若强行让这些非向量化参数与数组同形，不仅逻辑冗余，还会触发 ValueError: operands could not be broadcast together 错误。

正确解法是利用 np.vectorize 的 excluded 参数。它接受整数索引（按参数位置）或字符串（按参数名），明确声明哪些参数不应被广播，而是以原始形式原样传递给每个标量调用。

以下是一个完整示例，模拟你的使用场景：

import numpy as npdef my_function(number: float, lookup: list[str]) -> float: # 假设逻辑：用 number 乘以 lookup 列表长度 return float(number * len(lookup))# 创建测试数据my_ndarray = np.array([1.0, 2.0, 3.0, 4.0]) # 形状 (4,)lookup_list = ["a", "b", "c"] # 固定查找表，形状无关# ✅ 正确：将 lookup 参数（第 1 个位置，索引为 1）排除在广播之外vectorized_func = np.vectorize(my_function, excluded=[1])result = vectorized_func(my_ndarray, lookup_list)print(result) # [3. 6. 9. 12.]

你也可以通过参数名排除（更清晰、更健壮）：

vectorized_func = np.vectorize(my_function, excluded=[‘lookup’])result = vectorized_func(my_ndarray, lookup=lookup_list) # 注意：此时必须用关键字传参

⚠️ 重要注意事项：

excluded 中指定的参数在内部调用时保持原样传递，不会被拆解为标量；因此函数体内需确保能直接使用该对象（如 len(lookup)、lookup[0] 等）。若函数是类方法（含 self），self 通常应被 excluded（索引 0 或名称 ‘self’），但更推荐将方法绑定后再向量化，或改用 functools.partial 预绑定 self 和固定参数。np.vectorize 本质是语法糖，不提升性能（底层仍是 Python 循环），仅用于简化接口。如追求效率，请优先考虑原生 NumPy 向量化操作、np.where、广播机制，或改用 numba.jit。

总结：当需要“单数组驱动 + 多固定参数”的向量化行为时，excluded 是 np.vectorize 的关键开关——它让向量化逻辑回归语义本质：只对真正需要逐元素处理的输入施加向量化，其余皆为上下文。