生物学者求优化矩阵加权平均NumPy实现（大矩阵提速）

作为生物学者，肯定不想把时间浪费在慢到离谱的代码上——我完全懂你的痛！你的需求其实可以用numpy的向量化操作彻底解决，速度会提升好几个数量级，不用再和三重循环较劲了。

先拆解你的需求 #

你要做的本质是：对嵌入矩阵的每一行，和权重矩阵的每一列做元素相乘后求和，最后除以权重矩阵的行数（也就是嵌入矩阵的列数）。这个操作其实就是矩阵乘法的核心逻辑，完全不用写循环！

优化后的代码 #

直接用numpy的矩阵乘法运算符@（或者np.dot），再做一次除法就能得到结果，和你原来的循环结果完全一致：

import numpy as np

# 你的示例矩阵
matrix_de_pesos = np.array([[0.1, 0.2, 0.3],[0.4, 0.5, 0.6],[0.7, 0.8, 0.9]])
matrix_de_embeddings = np.array([[1,2,3],[4,5,6],[7,8,9],[10,20,30]])

# 核心操作：矩阵乘法 + 平均
matrix_final = (matrix_de_embeddings @ matrix_de_pesos) / matrix_de_pesos.shape[0]

print(matrix_final)

运行后输出和你原来的结果完全匹配：

[[ 1.  1.2  1.4]
 [ 2.2  2.7  3.2]
 [ 3.4  4.2  5. ]
 [10.  12.  14. ]]

为什么这个速度快？ #

numpy的矩阵乘法是用底层的BLAS/LAPACK库实现的，这些库是用C写的，还能充分利用CPU的多核、向量指令等硬件优化，比Python的三重循环快几百甚至几千倍——处理你提到的大矩阵（比如300行的嵌入矩阵和5万+行的权重矩阵），可能几秒就能跑完，而原来的循环可能要几小时。

处理你实际业务中的维度问题 #

你提到实际业务中权重矩阵维度是(55097, 15677)，嵌入矩阵是(300, 55132)，这里有个小问题：矩阵乘法要求嵌入矩阵的列数必须等于权重矩阵的行数（否则无法对应元素相乘求和）。

你需要先确认维度是否匹配：

• 如果是嵌入矩阵多了几列，只需要截取前55097列即可：

  # 截取嵌入矩阵的前55097列，和权重矩阵行数匹配
  embeddings_trimmed = matrix_de_embeddings[:, :matrix_de_pesos.shape[0]]
  matrix_final = (embeddings_trimmed @ matrix_de_pesos) / matrix_de_pesos.shape[0]
  

• 如果是维度写错了（比如权重矩阵行数应该是55132），直接用上面的核心代码就行。

为什么之前用np.average没成功？ #

np.average默认是对指定轴求加权平均，但你的需求是先做“行×列”的元素相乘求和，再除以元素个数——这个逻辑更贴近矩阵乘法，而不是常规的加权平均，所以用矩阵乘法+除法的方式更直接。

内容的提问来源于stack exchange，提问作者B612