Python中两个DataFrame的逐行组合积运算高效实现

要实现A的每一行与B的每一行的所有组合点积，同时避免双层循环，最快的方式是利用NumPy的矩阵乘法优化或者einsum，两者都依赖底层的BLAS/LAPACK加速，完全绕开Python级别的循环。

核心解法：矩阵乘法 + 扁平化 #

两个形状为(N,M)的数组，A的行与B的行的点积组合，本质上等价于A与B的转置做矩阵乘法，得到的(N,N)矩阵中，每个元素(i,j)就是A第i行和B第j行的点积。之后只需将这个矩阵扁平化并转为列向量，就能得到(N*N,1)的结果C。

代码示例：

import numpy as np

# 生成测试数据
N = 1000
M = 50
A = np.random.rand(N, M)
B = np.random.rand(N, M)

# 一步完成运算
C = (A @ B.T).ravel().reshape(-1, 1)

替代方案：用einsum显式表达运算逻辑 #

如果你想更直观地写出运算的维度对应关系，可以用np.einsum，它的语义清晰，底层同样会做优化，速度和矩阵乘法几乎一致：

C = np.einsum('ij,kj->ik', A, B).ravel().reshape(-1, 1)

这里'ij,kj->ik'表示：取A的第i行第j列，B的第k行第j列，对j求和，得到(i,k)位置的结果，和矩阵乘法的逻辑完全一致。

为什么这两种方法最快？ #

NumPy的矩阵乘法和einsum都会调用经过高度优化的底层线性代数库（比如OpenBLAS、MKL），这些库用C/Fortran实现，充分利用CPU的缓存和指令集（如AVX、SSE），比Python的双层循环快几个数量级，尤其是当N和M较大时，性能差距会非常明显。

内容的提问来源于stack exchange，提问作者user1373317