NumPy：坐标分存时执行矩阵乘法是否有捷径？

针对你遇到的分存坐标数组与矩阵乘法的效率问题，有两种高效的处理方式，完全可以避免不必要的数组合并/拆分操作：

1. 直接基于分存数组做元素级运算（零内存开销） #

如果你的变换矩阵是任意3x3矩阵，直接利用NumPy的广播特性，对x、y、z数组分别计算变换后的坐标，不需要合并数组：

import numpy as np

x = np.array([1, 2, 3])
y = np.array([2, 6, 1])
z = np.array([0, 3, 6])
mat = np.array([[10, 0, 0], [0, 10, 0], [0, 0, 10]])

# 直接计算变换后的坐标
new_x = mat[0,0] * x + mat[0,1] * y + mat[0,2] * z
new_y = mat[1,0] * x + mat[1,1] * y + mat[1,2] * z
new_z = mat[2,0] * x + mat[2,1] * y + mat[2,2] * z

这种方式完全没有内存复制操作，所有计算都是基于原数组的元素级运算，是大数据量下效率最高的方案。如果你的矩阵是对角矩阵（像示例里的缩放矩阵），还能进一步简化：

new_x = mat[0,0] * x
new_y = mat[1,1] * y
new_z = mat[2,2] * z

2. 用视图操作减少内存复制（若偏好矩阵乘法语法） #

如果你更习惯用np.dot或@运算符的矩阵乘法语法，可以用np.stack创建数组结构，运算后再拆分：

# 堆叠成(N,3)形状的坐标数组
positions = np.stack([x, y, z], axis=1)
# 执行矩阵乘法
new_positions = positions @ mat
# 拆分回x、y、z数组，无额外内存复制
new_x, new_y, new_z = new_positions.T

这里np.stack的内存开销远小于你担心的量级——哪怕是1e6个粒子，每个坐标用float64存储，总内存也仅24MB左右，完全在现代内存的承受范围内。而且NumPy的矩阵乘法运算高度优化，整体效率并不会因为这一步堆叠/拆分受影响。

补充说明 #

你提到的np.transpose([x,y,z])其实和np.stack([x,y,z], axis=1)效果类似，二者的内存开销几乎可以忽略，因为NumPy的这类操作大多是修改数组视图的元数据，而非大规模复制数据。但如果追求极致性能，第一种直接元素级运算的方案是最优选择。

内容的提问来源于stack exchange，提问作者Abel Gutiérrez