别再只会用for循环了！用NumPy的repeat函数5分钟搞定数组元素批量复制

别再只会用for循环了！用NumPy的repeat函数5分钟搞定数组元素批量复制

在数据处理的世界里，效率就是生命。想象一下，你正在处理一个包含百万级数据点的数据集，需要为每个元素创建特定数量的副本。如果还在用传统的for循环，不仅代码冗长，执行速度也会让你怀疑人生。这就是为什么NumPy的repeat函数会成为Python数据科学家的秘密武器——它能用一行代码完成传统循环几十行才能实现的功能，而且速度提升可达百倍。

1. 为什么你需要告别for循环

每次看到新手用for循环处理数组操作时，我都会想起自己曾经踩过的坑。那是一个包含50万条用户行为记录的数据集，需要为每个用户生成特定数量的样本副本。最初的for循环版本运行了将近20分钟，而改用np.repeat后，同样的任务只用了不到1秒。

性能对比实验：

import numpy as np import time data = np.random.randint(0, 100, size=100000) repeats = np.random.randint(1, 5, size=100000) # for循环版本 start = time.time() result_for = [] for i in range(len(data)): result_for.extend([data[i]] * repeats[i]) print(f"For循环耗时: {time.time() - start:.4f}秒") # np.repeat版本 start = time.time() result_np = np.repeat(data, repeats) print(f"np.repeat耗时: {time.time() - start:.4f}秒")

典型输出结果：

For循环耗时: 0.8765秒 np.repeat耗时: 0.0032秒

这个简单的对比揭示了三个关键事实：

1. 速度差异：np.repeat比for循环快约274倍
2. 代码简洁性：从多行循环缩减到单行表达式
3. 内存效率：np.repeat直接生成NumPy数组，而非Python列表

2. np.repeat的核心用法解析

np.repeat的强大之处在于它的灵活性。让我们通过几个实际案例来掌握它的精髓。

2.1 基础一维数组操作

最基本的用法是为数组中的每个元素指定相同的重复次数：

arr = np.array([10, 20, 30]) print(np.repeat(arr, 3)) # 每个元素重复3次

输出：

[10 10 10 20 20 20 30 30 30]

更实用的场景是为不同元素指定不同的重复次数：

sales_data = np.array([150, 200, 180]) repeat_counts = np.array([2, 3, 1]) # 第一个数据点重复2次，第二个3次，第三个1次 expanded_data = np.repeat(sales_data, repeat_counts) print(expanded_data)

输出：

[150 150 200 200 200 180]

2.2 多维数组的轴控制

当处理二维数组时，axis参数就变得至关重要。它决定了重复操作沿着哪个维度进行。

行方向重复(axis=0)：

matrix = np.array([[1, 2], [3, 4]]) print("原始矩阵:\n", matrix) print("\n每行重复2次:\n", np.repeat(matrix, 2, axis=0))

输出：

原始矩阵: [[1 2] [3 4]] 每行重复2次: [[1 2] [1 2] [3 4] [3 4]]

列方向重复(axis=1)：

print("\n每列重复2次:\n", np.repeat(matrix, 2, axis=1))

输出：

每列重复2次: [[1 1 2 2] [3 3 4 4]]

2.3 高级用法：不规则重复模式

np.repeat真正的威力在于它能处理复杂的重复模式。比如在特征工程中，我们可能需要为不同类别的样本生成不同数量的衍生数据：

categories = np.array(['A', 'B', 'C']) # A类样本需要3个副本，B类2个，C类4个 samples = np.repeat(categories, [3, 2, 4]) print(samples)

输出：

['A' 'A' 'A' 'B' 'B' 'C' 'C' 'C' 'C']

3. 实战应用场景

np.repeat在真实项目中的应用远比基础教程展示的要丰富得多。以下是三个典型场景：

3.1 数据增强与样本平衡

在处理类别不平衡的数据集时，我们常用过采样方法。假设我们有一个分类问题的数据集：

features = np.array([[0.1, 0.2], [0.3, 0.4], [0.5, 0.6]]) labels = np.array([0, 1, 1]) # 类别1的样本较多 # 为类别0生成更多样本 repeat_counts = np.where(labels == 0, 3, 1) # 类别0重复3次，其他保持1次 balanced_features = np.repeat(features, repeat_counts, axis=0) balanced_labels = np.repeat(labels, repeat_counts) print("平衡后的特征:\n", balanced_features) print("平衡后的标签:", balanced_labels)

输出：

平衡后的特征: [[0.1 0.2] [0.1 0.2] [0.1 0.2] [0.3 0.4] [0.5 0.6]] 平衡后的标签: [0 0 0 1 1]

3.2 时间序列数据扩展

在金融数据分析中，我们经常需要将日线数据扩展为分钟线：

daily_prices = np.array([100, 101, 102]) minutes_per_day = 390 # 美股交易分钟数 # 将每日价格重复390次 minute_prices = np.repeat(daily_prices, minutes_per_day) print(f"扩展后的分钟数据长度: {len(minute_prices)}")

3.3 图像数据处理

在计算机视觉中，np.repeat可以用来放大图像或创建特殊效果：

# 假设有一个2x2的灰度图像 image = np.array([[50, 100], [150, 200]]) # 在每个维度上放大2倍 zoomed_image = np.repeat(np.repeat(image, 2, axis=0), 2, axis=1) print("放大后的图像:\n", zoomed_image)

输出：

放大后的图像: [[ 50 50 100 100] [ 50 50 100 100] [150 150 200 200] [150 150 200 200]]

4. 性能优化技巧与常见陷阱

虽然np.repeat已经很高效，但在处理超大规模数据时，仍有优化空间。

4.1 内存优化技巧

当重复次数非常大时，预分配数组可以避免内存碎片：

def optimized_repeat(arr, repeats): total = np.sum(repeats) result = np.empty(total, dtype=arr.dtype) start = 0 for i in range(len(arr)): end = start + repeats[i] result[start:end] = arr[i] start = end return result

4.2 常见错误与解决方案

错误1：axis参数混淆

# 错误示范 arr_2d = np.array([[1, 2], [3, 4]]) try: print(np.repeat(arr_2d, [2, 1])) # 缺少axis参数 except Exception as e: print(f"错误: {e}")

正确做法：明确指定axis参数，或者对一维数组省略它。

错误2：repeats数组长度不匹配

# 错误示范 try: print(np.repeat([1, 2, 3], [1, 2])) # 长度不一致 except Exception as e: print(f"错误: {e}")

正确做法：确保repeats是标量或与输入数组沿操作轴的长度一致。

4.3 与其他NumPy函数的组合使用

np.repeat经常与np.tile混淆，但它们有本质区别：

组合使用示例：

base_pattern = np.array([1, 2, 3]) # 先元素重复，再整体重复 complex_pattern = np.tile(np.repeat(base_pattern, 2), 3) print(complex_pattern) # [1 1 2 2 3 3 1 1 2 2 3 3 1 1 2 2 3 3]

在实际项目中，我发现np.repeat在处理时间序列数据对齐时特别有用。比如当不同传感器的采样频率不同时，可以用它来对齐低频信号到高频时间轴上。