`np.fromfunction()` 并非对每个坐标点逐次调用函数，而是将整张索引网格（如 `i`, `j` 数组）一次性传入函数；若函数未利用这些输入数组进行广播运算，将导致标量返回、结果降维。
numpy.fromfunction(func, shape, **kwargs) 是一个常被误解的函数。它的核心机制是：预先生成与目标数组形状一致的索引数组（如 i 表示行索引，j 表示列索引），并将这些索引数组作为参数一次性传给 func；func 必须返回一个与 shape 兼容的数组（通常通过 NumPy 广播实现），而非标量值。
以 shape=(2, 2) 为例，fromfunction 内部会构造：
i = np.array([[0., 0.],
[1., 1.]]) # 每行对应行号，广播至整列
j = np.array([[0., 1.],
[0., 1.]]) # 每列对应列号，广播至整行然后执行 func(i, j) —— 注意：这是单次函数调用，输入是两个二维数组，不是四次调用 (0,0), (0,1), (1,0), (1,1)。
因此：
eMart 网店系统
下载
功能列表：底层程序与前台页面分离的效果，对页面的修改无需改动任何程序代码。完善的标签系统，支持自定义标签，公用标签，快捷标签，动态标签，静态标签等等，支持标签内的vbs语法，原则上运用这些标签可以制作出任何想要的页面效果。兼容原来的栏目系统，可以很方便的插入一个栏目或者一个栏目组到页面的任何位置。底层模版解析程序具有非常高的效率，稳定性和容错性，即使模版中有错误的标签也不会影响页面的显示。所有的标
- lambda i, j: 1 接收 i 和 j 后直接返回 Python 标量 1，fromfunction 将其视为最终结果，故输出为标量 1（形状为 ()）。
- lambda i, j: i*0 + 1 中，i*0 触发广播运算（i 是 (2,2) 数组，0 是标量），结果为全零 (2,2) 数组，再加 1 得到全 1.0 的 (2,2) 数组，符合预期。
✅ 正确写法（推荐显式利用索引）：
import numpy as np # 创建全 1 数组（利用广播） arr1 = np.fromfunction(lambda i, j: np.ones_like(i), shape=(2, 2), dtype=float) print(arr1) # [[1. 1.] # [1. 1.]] # 或更自然地：基于索引但保持广播性 arr2 = np.fromfunction(lambda i, j: 0*i + 0*j + 1, shape=(2, 2), dtype=float) print(arr2) # [[1. 1.] # [1. 1.]]
⚠️ 注意事项：
- 函数必须返回数组，不能仅返回标量（除非 shape=()）；
- 所有运算需支持 NumPy 广播（如 +, *, np.sin, np.where 等），避免 Python 原生 if、for 或纯标量逻辑；
- dtype 参数影响索引数组 i, j 的数据类型（默认 float），若需整数索引，可设 dtype=int，但注意函数内运算仍需兼容；
- 若逻辑复杂，建议改用 np.full()、np.ones() 或 np.array([...])，fromfunction 主要适用于索引驱动的数学表达式（如 lambda i,j: i**2 + j）。
总之，fromfunction 是“向量化构造器”，不是“逐点映射器”——理解其输入为广播索引数组，是正确使用它的关键。
