如何用Python实现三个向量的对应元素相乘求和（替代多循环）？

核心逻辑 #

你要的其实就是「所有输入数组对应位置元素相乘，再把所有乘积加起来」，用numpy的矢量化操作就能搞定，完全不用写一堆for循环。

具体实现方式 #

1. 固定数量数组：直接乘完求和

如果明确要处理3个数组（比如你的示例），直接用*做元素级乘法，再调用sum()即可：

import numpy as np

A = np.array([1, 3, 5])
B = np.array([2, 1, 5])
C = np.array([5, 8, 6])

result = (A * B * C).sum()
print(result)  # 输出184

二维数组也适用，比如三个形状均为(m,n)的二维数组，逻辑完全一致：

A_2d = np.array([[1,2],[3,4]])
B_2d = np.array([[5,6],[7,8]])
C_2d = np.array([[9,10],[11,12]])

result_2d = (A_2d * B_2d * C_2d).sum()
print(result_2d)  # 输出780

2. 任意数量数组：用np.multiply.reduce批量处理

如果要处理的数组数量不固定（比如3个、4个甚至更多），把所有数组放进列表，用np.multiply.reduce先做元素级累乘，再求和：

arrays = [A, B, C]
result = np.multiply.reduce(arrays).sum()
print(result)  # 输出184

这个写法不管数组数量多少，只要形状匹配就能直接用。

3. 灵活维度控制：用np.einsum

如果需要更精细地控制求和的轴（比如只对某一维求和），np.einsum是个灵活的选择，语法也直观：

• 一维数组场景：

result = np.einsum('i,i,i->', A, B, C)

• 二维数组全元素求和：

result_2d = np.einsum('ij,ij,ij->', A_2d, B_2d, C_2d)

• 通用适配任意维度（只要数组形状一致）：

result = np.einsum('...,...,...->', A, B, C)

补充：为啥不用np.dot？ #

np.dot本质是矩阵乘法（或向量点积），和你要的元素级乘积求和逻辑完全不同。上面这些方法都是numpy原生的矢量化操作，比手写for循环效率高得多，代码也更简洁。

内容的提问来源于stack exchange，提问作者sivhaslee