如何用Numpy高效实现矩阵与向量数组的逐向量乘法？

针对3D渲染中矩阵批量乘向量的需求，有几种比for循环高效得多的Numpy方案，完全不用手动循环：

1. 维度调整+矩阵乘法 #

假设你的变换矩阵M是4x4（齐次坐标常用），向量数组vecs是(N,4)格式（每行一个4维向量）：

# 转置向量数组为列向量矩阵，乘完再转置回来
transformed_vecs = (M @ vecs.T).T

如果你的向量数组原本就是(4,N)（每列一个向量），直接用M @ vecs就能得到(4,N)的变换结果，每个列对应变换后的向量——你之前得到错误结果可能是因为对输出维度的预期和实际不匹配，比如需要(N,4)格式就再转置一次。

2. 使用np.einsum（更直观的维度控制） #

einsum可以明确指定维度的运算关系，避免维度混淆：

# 对于(N,4)的行向量数组，每个向量左乘M，输出(N,4)
transformed_vecs = np.einsum('ij,kj->ki', M, vecs)

# 对于(4,N)的列向量数组，每个向量左乘M，输出(4,N)
transformed_vecs = np.einsum('ij,jk->ik', M, vecs)

这种方式可读性更强，不用记转置的方向，适合复杂的维度运算场景。

3. 使用np.dot（等价于行向量左乘矩阵） #

如果向量是(N,4)的行向量格式，用dot结合矩阵转置也能实现：

transformed_vecs = np.dot(vecs, M.T)

原理是行向量v左乘矩阵M的结果，等于v与M.T的点积，Numpy会自动广播完成批量运算。

后续处理：批量除以w分量 #

变换后如果需要将齐次坐标转为笛卡尔坐标，直接利用Numpy的广播特性即可：

# 假设w分量是每个向量的第4个元素（索引3）
w = transformed_vecs[:, 3:4]  # 保持维度为(N,1)以支持广播
normalized_vecs = transformed_vecs / w

内容的提问来源于stack exchange，提问作者Jacob