本文介绍如何利用 numpy 广播机制，无需显式 for 循环，将一维数组中每个元素扩展为长度固定的递增子序列（如每个数生成 [x, x+1, x+2]），再拼接成单个展开的一维数组。

在科学计算和数据预处理中，常需将离散锚点值（如起始位置）扩展为局部连续区间。例如，给定锚点数组 [1, 9, 20, 56, 78, 120]，希望为每个锚点生成长度为 n=3 的连续整数序列：[1,2,3], [9,10,11], [20,21,22] … 最终合并为单一扁平数组 [1,2,3,9,10,11,20,21,22,...]。手动循环虽直观，但效率低且不符合 NumPy 向量化编程范式。

核心解法依赖 广播（broadcasting） 与 维度扩展：

import numpy as np

a = np.array([1, 9, 20, 56, 78, 120])
n = 3

# 步骤分解：
offsets = np.arange(n)           # [0, 1, 2]
expanded_2d = offsets + a[:, None]  # 形状: (6, 3) → 每行是 a[i] + [0,1,2]
out = expanded_2d.ravel()        # 展平为 (18,) 一维数组

print(out)
# 输出: [  1   2   3   9  10  11  20  21  22  56  57  58  78  79  80 120 121 122]

✅ 关键技巧说明：

• a[:, None] 等价于 a.reshape(-1, 1)，将形状 (6,) 的一维数组升维为 (6, 1) 列向量；
• np.arange(n) 是形状 (3,) 的行向量；
• 相加时，NumPy 自动广播：(6, 1) + (3,) → (6, 3)，即每行重复应用 +0,+1,+2；
• .ravel() 按行优先（C-order）展平，确保 [a0+0, a0+1, a0+2, a1+0, ...] 的顺序。

⚠️ 注意事项：

• 该方法内存友好但非零拷贝——a[:, None] + offsets 会创建临时二维数组，对超大 a 或极大 n 需评估内存占用；
• 若需不同长度的扩展（如每个元素扩展数不同），则需改用 np.repeat + np.arange 组合或 np.concatenate，无法仅靠广播实现；
• 扩展步长不为 1 时（如等差 [x, x+5, x+10]），可将 np.arange(n) 替换为 np.arange(0, n * step, step)。

此方案简洁、高效、完全向量化，是 NumPy 广播能力的典型实践，适用于批量生成索引、时间窗口偏移、图像像素邻域坐标等场景。