
本文介绍多种 numpy 原生方法实现两个形状相同的二维数组(如 (n, d))的逐行(elementwise)点积,即对每一对对应行向量计算内积,最终返回长度为 n 的一维结果数组。
本文介绍多种 numpy 原生方法实现两个形状相同的二维数组(如 (n, d))的逐行(elementwise)点积,即对每一对对应行向量计算内积,最终返回长度为 n 的一维结果数组。
在科学计算与机器学习中,常需对两个同形二维数组(例如特征矩阵)按行计算点积——即 a[i] · b[i](向量内积),而非矩阵乘法。虽然手动写 a[:, 0]*b[:, 0] + a[:, 1]*b[:, 1] 可行,但该方式不具通用性(依赖列数固定)且冗余。NumPy 提供了更简洁、可扩展、向量化更强的替代方案。
以下是三种推荐方法,均适用于任意列数 d(只要 a.shape == b.shape == (n, d)):
✅ 方法一:逐元素相乘 + 沿行求和(最直观、推荐首选)
import numpy as np a = np.array([[0, 1], [1, 1], [1, 0]]) b = np.array([[1, 0], [1, 1], [1, -1]]) result = (a * b).sum(axis=1) # shape: (n,) print(result) # [0 2 1]
✅ 优点:语义清晰、内存友好(无中间大矩阵)、支持广播、性能优秀;
⚠️ 注意:* 是逐元素乘法(np.multiply),非矩阵乘法;axis=1 表示对每行求和。
✅ 方法二:矩阵乘法 + 提取对角线(适合小规模数据)
result = np.diag(a @ b.T) # @ 等价于 np.matmul
该式先计算 a @ b.T(得到 (n, n) 矩阵,其中 [i, j] 项为 a[i]·b[j]),再取对角线 i == j 的值。
✅ 优点:一行代码、数学直观;
❌ 缺点:时间复杂度 O(n²d),空间复杂度 O(n²),当 n 较大时显著低效,不推荐用于大数据。
✅ 方法三:np.tensordot + 对角线提取(灵活性高)
result = np.diag(np.tensordot(a, b, axes=([1], [1]))) # 或等价地:np.diag(np.tensordot(a, b.T, axes=1))
axes=([1], [1]) 表示对 a 的第 1 轴(列)与 b 的第 1 轴(列)做求和配对,效果等同于逐行点积。
✅ 优点:可推广至更高维张量;
⚠️ 注意:相比方法一,语法更晦涩,且同样存在构造 (n, n) 中间矩阵的风险(若未显式指定 axes 方式),实际使用中优先选方法一。
总结建议
- *日常使用首选 `(a b).sum(axis=1)`**:简洁、高效、可读性强、无冗余计算;
- 避免为“炫技”而用
@或tensordot引入不必要的计算开销; - 所有方法均要求
a.shape == b.shape,否则会触发广播错误或维度不匹配异常; - 若需处理缺失值,可在相乘前结合
np.where或掩码数组增强鲁棒性。

















