如何基于一维向量高效创建指定重复对角结构的Numpy矩阵？

给定一维向量 [a, b, ...]，需要快速生成如下结构的Numpy矩阵：

[[a, 0, 0],
 [0, a, 0],
 [0, 0, a],
 [b, 0, 0],
 [0, b, 0],
 [0, 0, b],
 ...]

你当前的实现方案如下：

np.squeeze(np.reshape(np.tile(np.eye(3), (len(foo), 1, 1)) * np.expand_dims(foo, (1, 2)), (1, -1, 3)))

这里提供两种更高效的实现方式：

方法一：利用克罗内克积 np.kron #

克罗内克积天生适配这种“每个元素对应一个单位矩阵缩放后拼接”的场景，代码极简且高效：

import numpy as np

foo = np.array([a, b, ...])  # 你的一维向量
result = np.kron(foo, np.eye(3))

原理：np.kron(foo, np.eye(3)) 会将向量中的每个元素与3阶单位矩阵做乘法，然后按顺序拼接成最终的二维矩阵，完全匹配需求。

方法二：广播+Reshape（内存更友好） #

如果向量长度很大，广播机制可以避免重复复制单位矩阵，内存占用更低：

import numpy as np

foo = np.array([a, b, ...])
result = (foo[:, None, None] * np.eye(3)).reshape(-1, 3)

原理：

• foo[:, None, None] 把一维向量转换成形状为 (N, 1, 1) 的三维数组（N是向量长度）
• 与形状为 (3, 3) 的单位矩阵广播相乘，得到 (N, 3, 3) 的三维数组
• 最后用 reshape(-1, 3) 把三维数组展平成目标形状的二维矩阵

效率对比 #

这两种方法都比你现有的方案更快：

• np.kron 底层是优化过的C实现，代码简洁且执行高效
• 广播+Reshape 避免了 np.tile 带来的内存冗余，在大向量场景下优势更明显

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