为何NumPy中不同维度矩阵与向量可双向执行点积运算？

1. 为什么行数不同的数组能计算点积？ #

你这里的情况本质是numpy对一维数组的特殊维度适配机制，不是真的“行数不同”就能随意运算。

你的示例里，x是形状为(2,2)的二维数组（2行2列矩阵），y是形状为(2,)的一维数组。在numpy中，一维数组不会被严格限定为行向量或列向量，它会根据乘法上下文自动调整维度：

• 计算x@y时，numpy会自动把y视为列向量（形状临时变为(2,1)），此时满足矩阵乘法规则：(2,2) × (2,1) = (2,1)，运算完成后numpy会自动把结果降维为一维数组(2,)输出。
• 计算y@x时，numpy会自动把y视为行向量（形状临时变为(1,2)），此时(1,2) × (2,2) = (1,2)，结果同样被降维为一维数组(2,)输出。

这种自动适配是numpy为简化计算做的设计，和纯线性代数里严格的矩阵/向量乘法规则略有区别。

2. 行数和列数不同的矩阵与向量能运算的原因 #

核心还是上述的自动维度适配，属于numpy广播机制的延伸：

• 线性代数里要求矩阵乘向量时，矩阵的列数必须等于向量长度（向量作列向量），或向量长度等于矩阵行数（向量作行向量）。
• numpy会自动检测运算双方的形状，对一维数组进行“临时升维”处理，让它满足矩阵乘法的维度要求，运算完成后再把结果降维回一维。你看起来像是“行数/列数不同也能运算”，实际是numpy在后台完成了维度转换。

验证维度转换的示例 #

你可以手动指定维度来验证这个逻辑：

import numpy as np

x = np.array([[1,2],[3,4]])
y = np.array([5,6])

# 手动将y转为列向量(2,1)，结果和x@y一致
y_col = y.reshape(2,1)
print(x @ y_col)  # 输出[[17],[39]]，降维后就是原代码的[17 39]

# 手动将y转为行向量(1,2)，结果和y@x一致
y_row = y.reshape(1,2)
print(y_row @ x)  # 输出[[23 34]]，降维后就是原代码的[23 34]

内容的提问来源于stack exchange，提问作者Kinnikuman