如何对含多列表的矩阵执行成对运算并生成对称矩阵及成对分析

核心逻辑：从2个向量到N个向量的扩展 #

当你有2个向量L、M时，成对点积的结果可以整理为对称矩阵：

[[M·M, M·L],
 [L·M, L·L]]

这本质是向量矩阵与其转置的矩阵乘法——将所有向量按行（或列）组成矩阵，矩阵与自身转置相乘后，每个位置(i,j)就对应第i个向量和第j个向量的点积。由于点积满足交换律（a·b = b·a），结果自然是对称矩阵。

当向量数量扩展到N个时，这个逻辑完全通用：将N个向量构造成N×D的矩阵（D为向量维度），计算该矩阵与自身转置的乘积，即可得到N×N的对称成对运算矩阵。

针对给定NumPy数组的实现 #

给定数组：

import numpy as np
x = np.array([[1, 3, 5],[1, 4, 5],[2,6,10]])

x包含3个3维行向量，以下是两种常用实现方式：

方法1：矩阵乘法（最简洁） #

直接用dot函数计算矩阵与转置的乘积：

pairwise_dot = x.dot(x.T)
print(pairwise_dot)

输出结果：

[[ 35  36  72]
 [ 36  42  84]
 [ 72  84 140]]

• 对角线元素：对应每个向量自身的点积（如35 = 1²+3²+5²）
• 非对角线元素：对应两个不同向量的点积（如36 = 1*1 + 3*4 +5*5），且满足对称特性

方法2：使用np.inner函数 #

np.inner对二维数组默认计算每行之间的点积，结果与上述方法完全一致：

pairwise_dot = np.inner(x, x)
print(pairwise_dot)

自定义成对运算的通用方案 #

如果需要执行点积以外的成对运算（如自定义距离、乘积和等），可以利用三角索引遍历并填充对称矩阵：

n = x.shape[0]
result = np.zeros((n, n))

# 获取上三角索引（跳过对角线）
i, j = np.triu_indices(n, k=1)
# 替换为你的自定义运算，示例仍用点积
result[i, j] = np.einsum('ij,ij->i', x[i], x[j])
# 对称填充下三角
result[j, i] = result[i, j]
# 填充对角线（自身运算）
np.fill_diagonal(result, np.einsum('ij,ij->i', x, x))

print(result)

内容的提问来源于stack exchange，提问作者ASking