如何高效计算2000×700矩阵的所有行向量两两差值？

对于2000×700这种规模的矩阵，用Python循环确实会因为解释器开销导致速度极慢，推荐用NumPy的向量化操作实现，底层基于C优化，能大幅提升效率。

核心思路 #

利用NumPy的广播和索引机制，一次性生成所有i<j的行对差值，避免逐对循环：

1. 用np.triu_indices生成所有满足i<j的行索引对；
2. 通过向量式索引直接提取对应行并计算差值。

代码实现 #

先以你给出的示例矩阵演示：

import numpy as np

# 示例输入矩阵
mat = np.array([
    [1, 2, 3],
    [5, 3, 2],
    [1, 1, 6]
])

# 获取所有i<j的行索引对
n_rows = mat.shape[0]
i_indices, j_indices = np.triu_indices(n_rows, k=1)  # k=1表示跳过对角线（i=j）

# 计算所有行对差值
diff_matrix = mat[i_indices] - mat[j_indices]

# 按示例格式输出
for idx, (i, j) in enumerate(zip(i_indices+1, j_indices+1)):  # 索引从1开始对应示例中的x_1、x_2
    print(f"x_{i} - x_{j}:", " ".join(f"{num:3d}" for num in diff_matrix[idx]))

运行输出：

x_1 - x_2: -4 -1  1
x_1 - x_3:  0  1 -3
x_2 - x_3:  4  2 -4

针对2000×700矩阵的优化说明 #

• 对于2000行的矩阵，np.triu_indices会生成1999000组索引对，NumPy能一次性完成所有行的差值计算，完全避免Python层面的循环开销；
• 计算得到的diff_matrix是一个(1999000, 700)的NumPy数组，后续可直接用于存储或进一步处理，无需额外循环；
• 如果内存紧张，可将结果转为float32类型，能把内存占用减半：diff_matrix = (mat[i_indices] - mat[j_indices]).astype(np.float32)。

内容的提问来源于stack exchange，提问作者ari6739