如何在NumPy中简洁实现两个结构化矩阵的特定乘法？

我有两个矩阵：

1. 第一个是4×3的结构化矩阵，结构如下：

[[1, 0, a],
 [0, 1, b],
 [1, 0, c],
 [0, 1, d]]

其中1、0、a、b、c、d均为标量；
2. 第二个是2×3矩阵，结构如下：

[[r1],
[r2]]

其中r1、r2分别为第一、第二行，每行包含3个元素。

我希望得到4×9的输出矩阵：

[[r1, 0, a*r1],
 [0, r1, b*r1],
 [r2, 0, c*r2],
 [0, r2, d*r2]]

该运算类似Kronecker积，但需针对第二个矩阵的每行单独执行。我希望避免繁琐循环，如何在NumPy中简洁实现？

利用NumPy的广播机制和向量化操作可以完全避免循环，实现步骤如下：

核心思路 #

将第一个矩阵的每个标量元素，与第二个矩阵对应行的行向量做广播乘法，再将结果拼接展平为目标形状。

代码实现 #

import numpy as np

# 定义示例参数与矩阵
a, b, c, d = 2, 3, 4, 5
r1 = np.array([1, 2, 3])
r2 = np.array([4, 5, 6])
A = np.array([[1, 0, a],
              [0, 1, b],
              [1, 0, c],
              [0, 1, d]])
R = np.array([r1, r2])

# 扩展R的行数，与矩阵A的行数匹配（从2行扩展为4行）
R_expanded = np.repeat(R, 2, axis=0)

# 广播乘法+形状调整得到结果
result = (A[..., np.newaxis] * R_expanded[:, np.newaxis, :]).reshape(4, 9)

print(result)

代码解释 #

1. 扩展R矩阵：用np.repeat(R, 2, axis=0)将R从(2,3)扩展为(4,3)，使得A的每一行都能对应到R的目标行（A的第0、2行对应R的第0行，第1、3行对应R的第1行）。
2. 广播乘法：
   • A[..., np.newaxis] 将A的形状从(4,3)转为(4,3,1)，让每个标量元素具备可广播的维度；
   • R_expanded[:, np.newaxis, :] 将扩展后的R形状转为(4,1,3)，让每一行的行向量也具备可广播的维度；
   • 两者相乘时，广播机制会自动让每个A的标量与对应行的R行向量完成元素级乘法，得到形状为(4,3,3)的中间结果。
3. 形状调整：用reshape(4,9)将中间结果的每个(3,3)子矩阵展平为9元素的行向量，最终得到4×9的目标矩阵。

内容的提问来源于stack exchange，提问作者Yakov Dan