この記事の要点

ブロードキャストとは、形状の異なる配列同士で自動的に次元を拡張して演算する仕組み ルール: 末尾の次元から照合し、サイズが「1」または「同じ」なら適合 典型例: (3,) + 5 → 全要素に 5 を加算、(3,1) + (1,3) → (3,3) を生成 np.newaxis / reshape で次元を追加してブロードキャスト可能化 実体メモリは拡張されないため、大きな配列でもメモリ効率が良い

ブロードキャストの最小例

import numpy as np

# 配列 + スカラー (最も単純なブロードキャスト)
a = np.array([1, 2, 3])
b = a + 5
print(b)    # [6 7 8]
# 内部的に [5,5,5] を作って加算するイメージ
# 実際にはメモリ拡張はしない

# 行ベクトル + 列ベクトル
row = np.array([1, 2, 3])           # shape (3,)
col = np.array([[10], [20], [30]])  # shape (3, 1)

result = row + col
print(result)
# [[11 12 13]
#  [21 22 23]
#  [31 32 33]]
# row が (1, 3) と (3, 1) → 共通の (3, 3) に展開

ブロードキャスト規則

NumPy は次のルールで「2 つの形状を合わせる」ことを試みます:

1. 形状の末尾の次元から順に比較
2. 次元数が違う場合、足りない側の先頭に 1 を補う
3. 各次元について、サイズが 同じ か どちらかが 1 なら適合
4. サイズが 1 の側を、もう一方のサイズに「仮想的に」拡張
5. どちらの条件も満たさない次元があれば ValueError

shape A	shape B	結果	判定
(3,)	スカラー	(3,)	OK
(3,)	(3,1)	(3,3)	OK
(3,4)	(4,)	(3,4)	OK (末尾 4 が一致、先頭に 1 補う)
(3,4)	(3,)	エラー	NG (末尾 4 と 3 が不一致)
(3,4)	(3,1)	(3,4)	OK (末尾 1 → 4 に展開)
(2,3,4)	(4,)	(2,3,4)	OK
(2,3,4)	(3,4)	(2,3,4)	OK
(2,3,4)	(2,1,4)	(2,3,4)	OK

typical なパターン

パターン1: 各列に異なる値を足す

import numpy as np

a = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])              # (3, 3)

offsets = np.array([10, 20, 30])       # (3,)

# offsets が (1, 3) として全行に適用される
print(a + offsets)
# [[11 22 33]
#  [14 25 36]
#  [17 28 39]]

パターン2: 各行に異なる値を足す

import numpy as np

a = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])              # (3, 3)

row_offsets = np.array([[100],
                        [200],
                        [300]])         # (3, 1)

print(a + row_offsets)
# [[101 102 103]
#  [204 205 206]
#  [307 308 309]]

パターン3: 各行を平均で正規化

import numpy as np

data = np.array([[1.0, 2.0, 3.0],
                 [4.0, 5.0, 6.0]])     # (2, 3)

# 行ごとの平均 (axis=1) を求めると (2,) → keepdims=True で (2, 1) に
mean = data.mean(axis=1, keepdims=True) # (2, 1)
normalized = data - mean
# [[-1.  0.  1.]
#  [-1.  0.  1.]]

パターン4: 外積を計算

import numpy as np

x = np.array([1, 2, 3, 4])               # (4,)
y = np.array([10, 20, 30])               # (3,)

# x を (4, 1)、y を (1, 3) にしてブロードキャスト
outer = x[:, np.newaxis] * y[np.newaxis, :]
# (4, 3)
# [[ 10  20  30]
#  [ 20  40  60]
#  [ 30  60  90]
#  [ 40  80 120]]

# 同等
outer2 = np.outer(x, y)

np.newaxis で次元追加

import numpy as np

a = np.array([1, 2, 3])     # (3,)

# 行ベクトル化 (1, 3)
row = a[np.newaxis, :]
# = a.reshape(1, 3)
# = a[None, :]               ← None でも同じ

# 列ベクトル化 (3, 1)
col = a[:, np.newaxis]
# = a.reshape(3, 1)
# = a[:, None]

print(row.shape, col.shape)   # (1, 3) (3, 1)

# よくある: 距離行列の計算
points = np.array([[0, 0], [1, 0], [0, 1]])    # (3, 2)
diff = points[:, np.newaxis, :] - points[np.newaxis, :, :]
# (3, 1, 2) - (1, 3, 2) → (3, 3, 2)
dist = np.sqrt((diff ** 2).sum(axis=-1))        # (3, 3)

ブロードキャストでよくあるエラー

ValueError: operands could not be broadcast together with shapes (3,4) (3,)

原因: (3,4) の末尾 4 と (3,) の末尾 3 が一致せず、かつどちらも 1 でない。

import numpy as np

a = np.zeros((3, 4))
b = np.array([1, 2, 3])     # (3,)

# ❌ a + b → ValueError
# 末尾の次元 4 vs 3 が不一致

# ✅ 解決1: b を列ベクトルに
print(a + b[:, np.newaxis])  # (3, 4)

# ✅ 解決2: そもそも b のサイズが間違っているなら直す
b = np.array([1, 2, 3, 4])
print(a + b)                  # (3, 4)

メモリ効率

ブロードキャストは仮想的に拡張するだけで、実際に拡張したサイズのメモリは確保しません。これにより、巨大な配列でも効率的に演算できます。

import numpy as np

# 良い: ブロードキャスト
a = np.ones((10000, 10000))   # 800 MB
b = np.arange(10000)           # 80 KB
c = a + b                      # b は仮想的に (10000, 10000) 扱い
# 追加メモリは b の 80 KB のみ

# 悪い: 明示的に拡張
b_expanded = np.tile(b, (10000, 1))  # ← 800 MB を新規確保
c = a + b_expanded                    # 結果も 800 MB
# 合計で 2.4 GB 必要

明示的ブロードキャストの可視化

import numpy as np

a = np.array([1, 2, 3])     # (3,)
b = np.array([[10], [20]])  # (2, 1)

# どんな形状にブロードキャストされるか
shape = np.broadcast_shapes(a.shape, b.shape)
print(shape)                # (2, 3)

# 実際の展開を見たい場合
ab, bb = np.broadcast_arrays(a, b)
print(ab.shape, bb.shape)   # (2, 3) (2, 3)

FAQ

Q: ブロードキャストはどこまで自動的に効く？
A: 二項演算 (+, -, *, /) と多くの ufunc (np.add, np.sin 等) に効きます。np.dot や @ 行列積では効きません (専用ルール)。

Q: keepdims=True とは？
A: sum / mean / max 等で「集計後の次元を残す」オプション。これを付けると後段のブロードキャストが楽になります。

Q: ブロードキャストすると遅いことはある？
A: 通常は速いですが、極端に大きな仮想拡張は CPU キャッシュミスを引き起こします。最終結果が GB 単位になるなら、ループや一括処理を見直してください。