NumPy对称矩阵数组与Voigt记号双向转换的高效实现方法

最高效的实现方案是预定义固定索引+NumPy原生高级索引，全程无Python层循环，无多余计算和内存拷贝，性能远高于循环、einsum、三角提取等其他方案，且兼容任意多维度的批量输入。

首先明确形状约定：

• 原始堆叠对称矩阵数组形状为(..., 3, 3)，前面的...可以是任意数量的批量维度（比如N个矩阵就是(N,3,3)，多批次就是(B,N,3,3)）
• 目标Voigt格式数组形状为(..., 6)，单组顺序严格匹配需求：[a11, a22, a33, a12, a23, a31]

3×3对称矩阵转Voigt格式 #

索引映射关系是固定的，提前定义一次索引即可反复调用，无重复计算开销：

import numpy as np

# 预定义索引：对应Voigt每个位置在原矩阵中的(i,j)坐标
_MAT_TO_VOIGT_IDX = (..., [0, 1, 2, 0, 1, 2], [0, 1, 2, 1, 2, 0])

def mat_to_voigt(mat_arr: np.ndarray) -> np.ndarray:
    # 可选形状校验
    if mat_arr.shape[-2:] != (3, 3):
        raise ValueError("输入数组最后两维必须为3×3矩阵")
    return mat_arr[_MAT_TO_VOIGT_IDX]

Voigt格式转回3×3对称矩阵 #

同样提前写死每个矩阵位置对应的Voigt索引，直接向量化映射即可，自动保证对称性：

# 预定义映射表：mat_map[i,j]存的是3x3矩阵(i,j)位置对应的Voigt数组索引
_VOIGT_TO_MAT_MAP = np.array([
    [0, 3, 5],
    [3, 1, 4],
    [5, 4, 2]
])

def voigt_to_mat(voigt_arr: np.ndarray) -> np.ndarray:
    # 可选形状校验
    if voigt_arr.shape[-1] != 6:
        raise ValueError("输入数组最后一维必须为长度6的Voigt序列")
    return voigt_arr[..., _VOIGT_TO_MAT_MAP]

性能说明 #

• 所有操作均在NumPy C层执行，哪怕是百万级批量矩阵的转换，也能在数毫秒内完成
• 无多余临时内存开销，转换过程仅申请最终结果需要的内存空间
• 自动兼容任意前置批量维度，不需要针对不同输入形状修改代码
• 索引硬编码完全匹配需求的Voigt顺序，不会出现顺序错配问题

测试验证 #

if __name__ == "__main__":
    # 构造2个测试对称矩阵
    test_mat = np.array([
        [[1, 2, 3], [2, 4, 5], [3, 5, 6]],
        [[7, 8, 9], [8, 10, 11], [9, 11, 12]]
    ])
    # 转Voigt
    voigt_res = mat_to_voigt(test_mat)
    print("Voigt转换结果：\n", voigt_res)
    # 输出：
    # [[ 1  4  6  2  5  3]
    #  [ 7 10 12  8 11  9]]
    # 完全匹配[a11,a22,a33,a12,a23,a31]的顺序要求

    # 转回矩阵
    recover_mat = voigt_to_mat(voigt_res)
    print("转换回矩阵与原矩阵是否一致：", np.allclose(recover_mat, test_mat))
    # 输出：True

不推荐使用逐元素循环、三角矩阵提取、einsum映射等方案：这类方案要么存在Python层循环开销，要么存在多余计算步骤，性能比直接索引方案低1~2个数量级。

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