广播（Broadcasting）：numpy自动对齐的隐形魔法
我的掌握程度：
先掌握这个答案
规则：从右往左逐维比较——两个维度兼容的条件：①相等；②其中一个是1；③其中一个不存在（缺失维度自动补1）。(1000,5)减(5,)→(5,)被广播为(1000,5)——每行减同一个向量。(1000,5)减(1000,1)→每列减同一个列向量。不能广播：(1000,5)减(7,)——5≠7且都不是1——报错。横截面：减每列均值→减(1000,1)；时序：减每行均值→减(5,)。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 一条能复现的数据流水线
把接口返回的数据变成可用于因子研究的面板时，先处理时点、主键与单位。
- 建立数据字典：字段、单位、时区、交易日历、数据源、抓取时间、原始价与复权因子。
- 用(date, code)查重，区分停牌、未上市、窗口不足和真实缺失；不要用向后填充把未来值带回过去。
- 保存原始快照与清洗日志，固定随机种子和环境版本；接口字段变化时先核对官方文档。
使用边界
- 报告期不等于公告可用日，盘后公告通常不能用于当天收盘前决策。
- API输出名为“动态市盈率”时不能直接改名TTM；浏览器练习不支持任意原生库或行情抓取接口。
打开术语词典，随时查阅基础概念。
背景 · 从一个困惑说起
你有一个(1000,5)的收益率矩阵，想把每列减去对应列的均值——如果均值是(5,)的一维数组，numpy自动让5个数「广播」到每一行——不需要循环、不需要复制。这个隐形规则叫广播。
由此产生的问题
广播的对齐规则（从右往右逐维匹配）？什么形状可以/不能广播？横截面操作与时序操作分别怎么用？
核心概念
规则：从右往左逐维比较——两个维度兼容的条件：①相等；②其中一个是1；③其中一个不存在（缺失维度自动补1）。(1000,5)减(5,)→(5,)被广播为(1000,5)——每行减同一个向量。(1000,5)减(1000,1)→每列减同一个列向量。不能广播：(1000,5)减(7,)——5≠7且都不是1——报错。横截面：减每列均值→减(1000,1)；时序：减每行均值→减(5,)。
为什么需要它
①消除90%的for循环：广播让「每列/每行做同一件事」变成一次矩阵运算——速度百倍；②隐式bug的来源：形状「碰巧」对齐但语义错误（(5,)和(5,1)行为不同）——写代码前打印shape是底线；③groupby+transform的底层逻辑就是广播——理解它=理解pandas聚合后如何贴回原形状。
实际应用场景
横截面标准化：X - X.mean(axis=0)（列均值(5,)广播到每行）；时序去均值：X - X.mean(axis=1, keepdims=True)（行均值(1000,1)广播到每列）。
与之前知识的联系
q-303（ndarray）→本题（自动对齐规则）→q-307（loc/iloc的索引维度）——numpy世界观三步曲；q-309（groupby transform）的底层机制。
⚠ 常见误解
- (5,)和(5,1)一样：完全不同——(5,)广播到每行、(5,1)广播到每列——横竖方向相反
- 广播会复制数据：不——它用虚拟视图（stride trick）——零内存开销
- 广播报错就reshape一下就行：可以，但先想清楚你要的方向——盲目reshape=制造静默bug
🛠 本题实践任务
构造一个(10,4)矩阵：分别做横截面和时序去均值——验证axis=0的均值变0、axis=1的行均值变0。再试(10,4)减(4,) vs 减(10,1)——确认方向。
💡 提示（先自己想5分钟再看）
axis=0=沿行方向算（每列一个值）；axis=1=沿列方向算（每行一个值）；keepdims=True保留形状方便广播。
✅ 验收标准
两组去均值结果+方向验证。广播方向从此是你的条件反射。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（ndarray、向量化），再用案例、公式和代码帮助理解。此功能需要先启用服务。