使用NumPy实现方阵对称化时触发IndexError，求问题原因

错误根源：索引范围计算错误 #

你触发的IndexError核心问题出在循环范围的计算上：

• np.size(x)返回的是整个矩阵的总元素数量，比如你测试的3×3矩阵，总元素数是9，所以range(np.size(x))会生成0到8的序列。
• 但你的矩阵是3行3列，合法的行/列索引范围是0到2（Python是0基索引）。当循环到i=3或者j=3时，就会超出矩阵的索引边界，直接触发越界报错。

修正后的循环写法 #

应该用矩阵的行数/列数来确定循环范围，对于方阵来说，行数等于列数，可以通过x.shape[0]获取：

import numpy as np

def symmetrize(x):
    # 获取方阵的维度大小
    n = x.shape[0]
    y = np.zeros_like(x)  # 使用zeros_like更贴合原矩阵的数据类型
    for i in range(n):
        for j in range(n):
            if i == j:
                y[i,j] = x[i,j]
            else:
                y[i,j] = x[i,j] + x[j,i]
    return y

更高效的Numpy向量化实现 #

既然用到了Numpy，完全可以避免低效的双重循环，利用Numpy的向量化特性来简化代码，同时提升性能：

import numpy as np

def symmetrize(x):
    # 先计算原矩阵与转置的和，此时对角线是2*x[i,i]
    y = x + x.T
    # 将对角线替换为原矩阵的对角线元素
    np.fill_diagonal(y, np.diag(x))
    return y

或者更简洁的写法（只处理上三角区域，避免重复计算）：

def symmetrize(x):
    y = x.copy()
    # 获取上三角区域（跳过对角线）的索引
    triu_indices = np.triu_indices_from(x, k=1)
    # 给上三角区域加上对应下三角的元素
    y[triu_indices] += x.T[triu_indices]
    return y

这两种写法在处理大型矩阵时，效率会比循环写法高很多。

测试验证 #

用你的测试矩阵运行修正后的代码：

test_matrix = np.array([[1.2, 2.3, 3.4],[4.5, 5.6, 6.7], [7.8, 8.9, 10.0]])
print(symmetrize(test_matrix))

会得到正确的对称矩阵：

[[ 1.2  6.8 11.2]
 [ 6.8  5.6 15.6]
 [11.2 15.6 10. ]]

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