numpy.vectorize 的 excluded 参数可指定不参与广播的参数（如固定列表、对象或关键字参数），从而实现仅对目标数组参数向量化，避免形状不匹配错误。
`numpy.vectorize` 的 `excluded` 参数可指定不参与广播的参数（如固定列表、对象或关键字参数），从而实现仅对目标数组参数向量化，避免形状不匹配错误。
在使用 `numpy.vectorize` 时，若函数接收多个参数，但仅希望对其中一部分（如主数据数组）进行向量化，而其余参数作为“常量”传入（例如配置列表、对象实例、标量或字符串列表），直接传入不同长度的数组会导致广播失败——正如错误 `ValueError: operands could not be broadcast together with shapes (18,) (3,)` 所示。根本原因在于 `np.vectorize` 默认对**所有位置参数**执行 NumPy 广播规则，而你的 `lookup: list[str]` 并非待广播的数组，而是每个调用共用的固定上下文。正确解法是利用 np.vectorize 的 excluded 参数，显式声明哪些参数不应被向量化处理。excluded 接受整数索引（按参数位置）或字符串名称（需配合关键字调用），被排除的参数将原样传递给底层函数的每次调用，不参与形状检查与广播。
以下是一个完整可运行示例，贴合你的场景：
import numpy as np
# 模拟你的方法：含 self（此处简化为普通函数）、number 和 lookup 列表
def my_function(number: float, lookup: list[str]) -> float:
# 示例逻辑：用 number 乘以 lookup 列表长度（代表某种查表权重）
return float(number * len(lookup))
# ✅ 正确做法：将 lookup 排除在向量化之外（按位置索引 1，或按名 'lookup'）
vectorized_func = np.vectorize(my_function, excluded=[1])
# 或等价写法（推荐显式命名，更清晰）：
# vectorized_func = np.vectorize(my_function, excluded=['lookup'])
# 输入：18 个浮点数的一维数组
my_ndarray = np.linspace(1.0, 18.0, 18)
# 调用：lookup 作为固定参数传入（位置传参或关键字传参均可）
result = vectorized_func(my_ndarray, ["a", "b", "c"]) # ✅ 成功
# 等价关键字调用（更安全，避免位置混淆）：
# result = vectorized_func(my_ndarray, lookup=["a", "b", "c"])
print(result.shape) # (18,)
print(result[:5]) # [3. 6. 9. 12. 15.] —— 每个元素 × 3（len(["a","b","c"]））
⚠️ 关键注意事项：
- excluded 中的索引从 0 开始，对应函数签名中的参数位置（number 是第 0 个，lookup 是第 1 个）；
- 若使用参数名（如 'lookup'），必须通过关键字传参（如 lookup=...），否则会报错；
- excluded 参数不会被转换为 NumPy 数组，因此可安全传入 list、dict、自定义对象甚至 self（若封装在闭包或 functools.partial 中）；
- np.vectorize 本质是语法糖，不提升性能（底层仍是 Python 循环），仅用于简化广播逻辑；如追求高性能，请改用 np.frompyfunc + otype，或重写为纯 NumPy 向量化操作。
总结：当函数含“数据参数”与“配置参数”混合时，excluded 是 np.vectorize 的核心控制开关——它让向量化行为精准聚焦于真正需要批量处理的维度，是解决此类广播冲突的标准且优雅的方案。
