如何高效将Numpy n×2数组与n×1数组对应相乘？

在Numpy里，完全不需要用循环，利用广播机制就能高效实现你要的操作——这也是Numpy处理数组运算的核心优势之一，底层是C级别的运算，比Python循环快几个数量级，尤其是数据量较大时。

具体实现方式 #

假设你的数组是：

import numpy as np

y = np.array([[1, 1], [2, 3], [1, 4]])
x = np.array([2, 4, 5])  # 这里x是一维数组，shape为(n,)

你只需要把x转换成和y列数匹配的二维数组（n×1），然后直接和y相乘即可：

# 方法1：用[:, np.newaxis]给x增加一个维度
result = y * x[:, np.newaxis]

# 方法2：用reshape转换维度
result = y * x.reshape(-1, 1)

如果你的x本身就是n×1的二维数组（比如x = np.array([[2], [4], [5]])），那直接相乘就行：

result = y * x

运行后得到的结果就是你要的：

array([[ 2,  2],
       [ 8, 12],
       [ 5, 20]])

为什么这方法更高效？ #

Python循环是逐元素的解释型运算，而Numpy的广播乘法是把整个数组运算交给底层优化过的C代码执行，避免了Python层面的循环开销。当n的规模达到几万甚至几十万时，这种性能差异会非常显著。

内容的提问来源于stack exchange，提问作者Mikhail