如何用Numpy函数实现两个数组对应行的点积（无for循环）

你之前用for循环结合np.dot的方式虽然能得到结果，但确实可以用更简洁的Numpy内置操作实现，而且效率更高。先说说你用tensordot(axes=1)报错的原因：当axes=1时，Numpy会把两个数组的最后一维做全点积，比如你的arr_x和arr_y都是(2,3)形状，这么操作会得到一个(2,2)的矩阵（相当于矩阵乘法），不是你要的对应行点积，所以形状不匹配。

下面是几种靠谱的实现方式：

方法1：元素相乘后按行求和 #

这是最直观的方式，对应行元素逐个相乘，再沿行维度求和：

import numpy as np
arr_x = np.array([[1,2,3], [4,5,6]])
arr_y = np.array([[1,2,3], [4,5,6]])

res = (arr_x * arr_y).sum(axis=1)
print(res)  # 输出: [14 77]

方法2：使用np.einsum #

einsum可以灵活指定张量的求和方式，语法也很清晰：

res = np.einsum('ij,ij->i', arr_x, arr_y)
print(res)  # 输出: [14 77]

这里'ij,ij->i'的意思是：取两个数组的第i行第j列元素相乘，然后对j维度求和，最终保留i维度的结果。

方法3：矩阵乘法取对角线（不推荐，效率较低） #

如果你想用np.dot，可以先做矩阵转置再取对角线，但这种方法会先计算完整的矩阵乘积，效率不如前两种：

res = arr_x.dot(arr_y.T).diagonal()
print(res)  # 输出: [14 77]

至于tensordot，它更适合处理高维张量的点积，对于这种对应行的操作，前两种方法更直接好用。

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