如何在Julia中高效计算矩阵每对列的乘积？

需求是计算矩阵中每一对列的逐元素乘积，示例如下：

┌─     ─┐         ┌─┐ ┌──┐ ┌──┐
 │ 1 3 4 │ ────►   │3│ │4 │ │12│
 │ 2 1 5 │         │2│ │10│ │5 │
 └─     ─┘         └─┘ └──┘ └──┘

原尝试代码使用Combinatorics包的combinations配合匿名函数实现，但存在匿名函数编译开销和多次内存复制的问题：

using Combinatorics

prods = collect(
    Iterators.map(
        idx->arr[:, idx[1]] .* arr[:, idx[2]],
        combinations(axes(arr, 2), 2)
    )
)

最优实现方案 #

方案1：预分配矩阵+手动循环（最高效）

这种方式通过预分配结果矩阵，避免多次小向量的内存分配，同时手动遍历组合索引减少迭代器和匿名函数的开销：

# 定义输入矩阵
arr = [1 3 4; 2 1 5]
rows, cols = size(arr)
# 计算两两列组合的数量
comb_count = binomial(cols, 2)
# 预分配结果矩阵，每行对应原矩阵行，每列对应一对列的乘积
result = similar(arr, rows, comb_count)

idx = 1
for i in 1:cols-1
    col_i = @view arr[:, i]  # 使用视图避免复制列
    for j in i+1:cols
        result[:, idx] .= col_i .* @view arr[:, j]
        idx += 1
    end
end

优势：

• 预分配内存减少多次内存申请和释放的开销
• 使用@view避免列切片的复制操作
• 手动循环比迭代器+匿名函数的编译开销更低，性能更稳定

方案2：利用hcat直接生成矩阵

如果希望代码更简洁，同时保持较好的性能，可以用hcat直接将所有乘积列合并为矩阵，减少中间向量的存储：

using Combinatorics

arr = [1 3 4; 2 1 5]
idx_pairs = collect(combinations(axes(arr, 2), 2))
result = hcat((@view(arr[:,i]) .* @view(arr[:,j]) for (i,j) in idx_pairs)...)

优势：

• 代码简洁易读
• hcat直接生成连续内存的矩阵，比collect(Vector{Vector})的内存布局更高效，后续操作更便捷

方案3：利用广播实现向量化操作

对于非常大的矩阵，可以尝试用广播的方式一次性完成所有计算，进一步利用Julia的向量化优化：

arr = [1 3 4; 2 1 5]
rows, cols = size(arr)
# 生成所有i<j的索引对的布尔掩码
mask = tril(trues(cols, cols), -1)
# 利用广播计算所有列对的乘积，再提取有效部分
all_prods = arr[:, :, nothing] .* arr[:, nothing, :]
result = all_prods[:, mask]

优势：

• 完全向量化操作，适合超大规模矩阵
• 避免显式循环，利用Julia的广播优化提升性能

内容的提问来源于stack exchange，提问作者Shayan