NumPy创建N_1×N_2矩阵报错：ndarray最大支持维度为32，检测到1024

报错根源 #

你调用np.zeros(n_1, n_2)时犯了关键错误：np.zeros接收的是形状元组（比如(N_1, N_2)），但你传入了两个长度为1024的数组n_1和n_2。NumPy会把数组里的每个元素当成一个维度，试图创建一个1024维的数组，这远超它支持的最大32维限制，直接触发报错。

代码里的其他问题 #

除了报错的直接原因，你的代码还有几处逻辑和效率问题：

• 循环写法错误：for i in N_1是无效的，N_1是整数1024，不能直接迭代，应该遍历索引范围range(N_1)。
• 嵌套循环效率极低：1024×1024的双重循环在Python里运行会非常慢，完全不符合NumPy的向量化设计理念。
• x_1和x_2的计算没有保留结果：循环里计算的x_1和x_2每次都会被覆盖，最后只保留最后一次循环的值。
• Rho赋值逻辑错误：你用列表直接覆盖了Rho变量，根本没有给矩阵的对应位置赋值。

修复后的代码 #

根据你想要创建N₁×N₂矩阵的需求，假设你要计算的是Rho[i,j] = exp(-||x₁_i||²) * exp(-||x₂_j||²)（其中x₁_i = -0.5*R₁ + n₁[i]*R₁/N₁，x₂_j同理），用向量化写法可以高效实现：

import numpy as np

d = 2
R_1 = np.arange(0, 20)
R_2 = np.arange(0, 20)
N_1 = 1024
N_2 = 1024
n_1 = np.arange(0, N_1)
n_2 = np.arange(0, N_2)

# 向量化计算每个n1对应的x1的范数平方
x1_norms = np.linalg.norm(-0.5 * R_1 + n_1[:, np.newaxis] * R_1 / N_1, axis=1) ** 2
# 向量化计算每个n2对应的x2的范数平方
x2_norms = np.linalg.norm(-0.5 * R_2 + n_2[:, np.newaxis] * R_2 / N_2, axis=1) ** 2

# 利用广播机制生成N1×N2的矩阵
Rho = np.exp(-x1_norms[:, np.newaxis]) * np.exp(-x2_norms)

代码解释 #

1. 向量化计算范数：用n_1[:, np.newaxis]把一维数组变成列向量，和R_1进行广播运算，一次性算出所有i对应的x₁_i，再用np.linalg.norm按行计算范数平方。
2. 广播生成矩阵：把x1_norms变成列向量，和x2_norms（行向量）广播相乘，直接得到N₁×N₂的结果矩阵，完全不需要循环。
3. 正确初始化矩阵：这里不需要手动调用np.zeros，广播运算直接生成目标矩阵，避免了初始化错误。

如果你的需求不是乘积而是其他运算，只需要修改最后一行的运算逻辑即可。

内容的提问来源于stack exchange，提问作者Movicmatics