如何创建元素为向量（非标量）的矩阵结构

你描述的结构本质是三层嵌套的定长集合：第一层对应矩阵行，第二层对应矩阵列，第三层存储每个位置的向量分量，根据使用场景可以选以下两种主流实现方式：

方案1：原生Python实现（零依赖，适合轻量存储场景） #

最直接的实现是用「列表嵌套元组」的结构存储，外层列表按行存储，每行的元素是对应列位置的向量（用不可变元组存向量可以避免分量被意外修改）。你给出的示例可以直接写成如下结构：

# 示例结构初始化
vector_matrix = [
    [(1,2,3), (1,3,6), (2,4,1)],
    [(0,7,8), (2,3,4), (5,2,1)],
    [(9,0,8), (8,4,6), (1,1,1)]
]

# 基础访问逻辑
# 取第2行（索引从0开始）第3列的向量
print(vector_matrix[1][2])  # 输出 (5, 2, 1)
# 取第1行第1列向量的第2个分量
print(vector_matrix[0][0][1]) # 输出 2

如果需要封装成类、附带合法性校验和常用操作，可以参考如下实现：

class VectorMatrix:
    def __init__(self, raw_data):
        # 自动校验结构合法性
        row_count = len(raw_data)
        col_count = len(raw_data[0])
        vec_dim = len(raw_data[0][0])
        for row in raw_data:
            if len(row) != col_count:
                raise ValueError("矩阵所有行的列数必须一致")
            for vec in row:
                if len(vec) != vec_dim:
                    raise ValueError("所有位置的向量维度必须一致")
        # 存储时统一转成元组，避免向量分量被意外篡改
        self._data = [[tuple(item) for item in row] for row in raw_data]
        self.shape = (row_count, col_count, vec_dim)

    def get(self, row_idx, col_idx):
        """获取指定坐标位置的向量"""
        return self._data[row_idx][col_idx]

    def get_row(self, row_idx):
        """获取整行的所有向量"""
        return self._data[row_idx]

# 用示例数据初始化
vm = VectorMatrix([
    [(1,2,3), (1,3,6), (2,4,1)],
    [(0,7,8), (2,3,4), (5,2,1)],
    [(9,0,8), (8,4,6), (1,1,1)]
])
print(vm.shape) # 输出 (3, 3, 3)，对应（行数、列数、单向量维度）

方案2：基于NumPy多维数组实现（适合数值计算场景） #

如果你需要对这个结构做批量运算（比如所有向量同时做线性变换、按分量聚合统计），直接用NumPy的三维ndarray即可，数据存储在连续内存中，运算效率远高于手写的Python循环，且自带大量内置的矩阵、向量操作接口：

import numpy as np

# 初始化3行3列、单元素为3维向量的矩阵
vector_matrix = np.array([
    [(1,2,3), (1,3,6), (2,4,1)],
    [(0,7,8), (2,3,4), (5,2,1)],
    [(9,0,8), (8,4,6), (1,1,1)]
])

print(vector_matrix.shape) # 输出 (3, 3, 3)
# 批量提取所有位置向量的第0个分量，直接得到3*3的标量矩阵
print(vector_matrix[:, :, 0])
# 输出：
# [[1 1 2]
#  [0 2 5]
#  [9 8 1]]

实现注意事项 #

• 不要为了省结构把所有向量拼成一维长数组存储，否则后续按坐标取元素、做按位置的向量运算时逻辑会非常混乱
• 如果向量维度不固定，只能用原生嵌套列表实现，NumPy要求数组所有元素维度一致
• 仅做数据存储、传递时优先选原生方案，不需要额外安装依赖；涉及数值计算时优先选NumPy方案，避免重复造轮子

内容的提问来源于stack exchange，提问作者SA12