本文介绍如何利用 numpy 的广播（broadcasting）和向量化操作，将原始一维数组中每个元素扩展为连续的 `n` 个递增整数，并合并为单个展开的一维数组，全程避免显式 for 循环，显著提升计算效率。
在科学计算与数据预处理中，常需对数组元素进行“局部展开”——例如，给定起始值 [1, 9, 20, 56, 78, 120]，要求每个值生成其自身及后续 n−1 个连续整数（即长度为 n 的等差序列），最终拼接成一个扁平化的一维结果。若用 Python 原生循环实现，不仅代码冗长，且性能低下；而 NumPy 提供了优雅高效的向量化解法。
核心思路是借助 广播机制（broadcasting） 构造二维中间结构，再展平。具体步骤如下：
- 将原始一维数组 a 升维为列向量（形状 (len(a), 1)），使用 a[:, None]（等价于 a.reshape(-1, 1)）；
- 构造长度为 n 的偏移向量 np.arange(n)（形状 (n,)）；
- 利用 NumPy 广播规则，执行 np.arange(n) + a[:, None]：列向量与行向量自动广播为 (len(a), n) 的二维数组，其中第 i 行为 a[i] + [0, 1, ..., n-1]；
- 调用 .ravel() 按行优先（C-order）展平为一维数组。
✅ 示例代码：
import numpy as np a = np.array([1, 9, 20, 56, 78, 120]) n = 3 out = (np.arange(n) + a[:, None]).ravel() print(out) # 输出: [ 1 2 3 9 10 11 20 21 22 56 57 58 78 79 80 120 121 122]
⚠️ 注意事项：
- n 必须为正整数，否则 np.arange(n) 会返回空数组；
- 此方法内存友好但非零拷贝：广播运算会临时生成 (len(a), n) 形状的中间数组，当 len(a) 或 n 极大时需关注内存占用；
- 若需支持负步长或自定义间隔（如 +0, +2, +4），可将 np.arange(n) 替换为任意一维偏移数组，如 np.array([0, 2, 4])；
- 结果顺序严格按原数组顺序展开（先 a[0] 的块，再 a[1] 的块……），不可逆序或打乱。
该方案体现了 NumPy 向量化编程的核心优势：以声明式表达替代过程式逻辑，兼顾简洁性与高性能，是处理同类“元素级批量扩展”任务的标准范式。
