MATLAB转Python：如何以Pythonic方式高效遍历多个numpy数组？

先明确你这段MATLAB代码的核心逻辑：计算矩阵dC和向量p的乘积，结果存入pT，本质就是线性代数里的矩阵-向量乘法，完全没必要用嵌套循环实现。

你的现有Python实现问题 #

1. 嵌套for循环完全没发挥numpy的优势——numpy的核心就是向量化操作，显式循环在数据量变大后效率会暴跌；
2. 把p和pT当成二维数组（p[0][j]）是多余的，一维数组更简洁高效。

优化后的写法（按推荐程度排序） #

1. 直接用矩阵乘法运算符（最推荐） #

用numpy的@运算符（或者np.dot）一行搞定，完全替代循环：

# 前提：dC是(3,3)的numpy数组，p是(3,)的一维数组
pT = dC @ p

如果pT需要在原有值基础上累加（对应MATLAB里pT(i) = ... + pT(i)的逻辑），改成：

pT += dC @ p

2. 按行求和实现等价逻辑 #

如果想更直观对应原代码的累加逻辑，可以用广播机制逐元素相乘后按行求和：

pT = np.sum(dC * p, axis=1)

这里numpy会自动把一维的p广播成和dC同维度的数组，逐元素相乘后对每行求和，结果就是每行和p的点积。

3. 简化数组维度 #

如果你的p和pT是(1,3)的二维数组，先转成一维会更方便：

p = p[0]  # 或者 p = p.flatten()
pT = pT[0]

为什么要这么改？ #

numpy的向量化操作是底层C实现的，比Python层面的循环快几个数量级——比如处理1000x1000的矩阵，循环可能要几秒，而矩阵乘法只需要几毫秒。

内容的提问来源于stack exchange，提问作者BenjiDa