如何用更优雅的方式实现NumPy矩阵行与对应标量的逐元素相乘？

可以利用NumPy的广播机制实现，完全替代手动循环，代码更简洁高效：

import numpy as np

def normalise(matrix):
    norm_c = 1.0 / matrix.sum(axis=1)
    # 通过[:, np.newaxis]将一维向量转为列向量，触发广播
    matrix = matrix * norm_c[:, np.newaxis]
    return matrix

原理说明 #

norm_c是通过sum(axis=1)得到的一维数组（形状为(N,)，N是矩阵行数），而原矩阵形状为(N,M)。通过[:, np.newaxis]将norm_c的形状转换为(N,1)，此时NumPy会自动触发广播机制，将这个列向量扩展为(N,M)的维度，和原矩阵逐元素相乘，效果和循环每行相乘完全一致。

其他等价写法 #

除了[:, np.newaxis]，还可以用以下方式调整维度：

• 使用reshape：norm_c.reshape(-1, 1)
• 使用np.expand_dims：np.expand_dims(norm_c, axis=1)

示例：

matrix = matrix * norm_c.reshape(-1, 1)

验证效果 #

测试代码：

test_matrix = np.array([[1,2,3], [4,5,6]])
print(normalise(test_matrix))

输出结果：

[[0.16666667 0.33333333 0.5       ]
 [0.26666667 0.33333333 0.4       ]]

内容的提问来源于stack exchange，提问作者Scolpe