如何用NumPy实现三个一维数组生成对应元素乘积的三维数组？

当然有办法啦！在NumPy里，你可以通过几种简洁的方式实现这个需求，下面给你详细拆解：

方法1：利用NumPy广播机制（最直观） #

广播是NumPy里非常强大的特性，我们只需要给每个一维数组增加合适的维度，让它们能自动扩展成三维形状，然后直接相乘就行：

import numpy as np

# 示例测试数组
A = np.array([1, 2])
B = np.array([3, 4, 5])
C = np.array([6, 7])

# 给每个数组扩展维度，形状分别变为 (m,1,1), (1,n,1), (1,1,k)
result = A[:, np.newaxis, np.newaxis] * B[np.newaxis, :, np.newaxis] * C[np.newaxis, np.newaxis, :]

print(result.shape)  # 输出 (2, 3, 2)，对应m×n×k的维度
print(result[0,1,1]) # 输出 1*4*7=28，完全符合A[i]*B[j]*C[k]的要求

你也可以用np.expand_dims来更清晰地扩展维度，效果完全一致：

A_expanded = np.expand_dims(A, (1,2))
B_expanded = np.expand_dims(B, (0,2))
C_expanded = np.expand_dims(C, (0,1))
result = A_expanded * B_expanded * C_expanded

方法2：使用np.tensordot（张量点积） #

tensordot可以处理多维的点积操作，通过指定轴参数就能实现三维外积：

# 分步实现：先算A和B的二维外积，再和C做张量扩展
temp = np.outer(A, B)
result = np.tensordot(temp, C, axes=0)

# 也可以一步到位
result = np.tensordot(np.tensordot(A, B, axes=0), C, axes=0)

这里axes=0表示不进行任何轴的收缩，直接做外积维度扩展。

方法3：使用np.einsum（爱因斯坦求和约定） #

einsum是处理张量运算的神器，能通过索引符号清晰表达运算逻辑：

result = np.einsum('i,j,k->ijk', A, B, C)

这句代码的意思很直白：把A的i索引、B的j索引、C的k索引对应的元素相乘，输出一个带ijk索引的三维数组，完美匹配你的需求。

方法小对比 #

• 广播法：最直观，代码易读，新手友好，性能表现也很出色。
• tensordot：适合从二维外积场景扩展过来的使用习惯，需要一点张量基础概念。
• einsum：代码最简洁，熟悉爱因斯坦求和后写起来效率极高，还能轻松扩展到四维及以上的场景。

内容的提问来源于stack exchange，提问作者Nick