如何用Numpy将矩阵与向量相乘生成三维矩阵？

你要实现的是将二维矩阵与一维向量进行广播式元素相乘，最终得到三维矩阵，核心是利用数组的维度扩展和广播机制，下面给出几种高效实现方式（以Python的NumPy为例，这是数值计算的标准工具）：

方法1：利用NumPy广播机制（推荐） #

NumPy的广播会自动对齐不同维度的数组，只需手动将矩阵扩展一个维度，再与向量相乘即可：

import numpy as np

# 示例数据：2x3矩阵A，4维向量b
A = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([10, 20, 30, 40])

# 将A扩展为MxNx1的三维数组，与b自动广播相乘
C = A[:, :, np.newaxis] * b
# 等价写法：C = A[..., np.newaxis] * b

• A[:, :, np.newaxis]把原(2,3)的A变成(2,3,1)，b会被自动广播为(1,1,4)，两者逐元素相乘后得到(2,3,4)的三维矩阵，完全满足C[m,n,k] = A[m,n] * b[k]的要求。

方法2：外积+维度重构 #

先将矩阵展平为一维数组，与向量做外积得到二维矩阵，再重构回三维：

# 展平A后与b做外积，再reshape为目标维度
C = np.outer(A.flatten(), b).reshape(A.shape[0], A.shape[1], len(b))

这种方式逻辑直观，适合理解外积扩展的本质，但效率和广播方法基本一致。

验证结果 #

可以通过索引取值验证：

print(C[0, 1, 2])  # 输出60，对应A[0,1]*b[2] = 2*30=60
print(C.shape)     # 输出(2, 3, 4)，符合MxNxL的维度要求

原生Python实现（仅小数据量演示） #

如果不用NumPy，也可以用嵌套循环实现，但性能远不如NumPy，仅作参考：

M, N = A.shape
L = len(b)
C = []
for m in range(M):
    row = []
    for n in range(N):
        elem = [A[m][n] * b[k] for k in range(L)]
        row.append(elem)
    C.append(row)
# 转成NumPy数组：C = np.array(C)

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