numpy矩阵乘法中1D数组维度疑惑：3×3矩阵乘长度3的1D数组为何不报错

核心结论：

• Numpy中的1D数组既不是1行n列也不是n行1列，行、列是2D数组才有的属性，1D数组仅存在「长度」这一个维度属性，没有行、列的方向区分。

你遇到的无报错情况是np.matmul的内置适配规则导致的：
当np.matmul处理2D数组和1D数组的乘法时，会自动做特殊处理：如果第二个参数是1D数组，会隐式将其视为列向量（临时新增一个维度转为n×1的2D数组）参与运算，运算完成后再删掉新增的维度，返回1D数组。
你的代码中A是3×3的2D数组，x是长度为3的1D数组，运算时x被隐式转为3×1的列向量，3和A的列数3匹配，所以可以正常运算，最终得到长度为3的1D结果[24 15 29]。

你运行的原始代码如下：

import numpy as np

A = np.array([[4, 2, 1],[1, 3, 1],[2, 3, 6]])
x = np.array([4, 3, 2])

print(np.matmul(A, x)) # 输出 [24 15 29]

你可以通过显式指定x的维度验证这个规则：

# 显式转为1行3列的行向量（2D数组）
x_row = np.array([[4,3,2]])
print(np.matmul(A, x_row)) # 触发维度不匹配报错：shapes (3,3) and (1,3) not aligned: 3 (dim 1) != 1 (dim 0)

# 显式转为3行1列的列向量（2D数组）
x_col = np.array([[4],[3],[2]])
print(np.matmul(A, x_col)) 
# 输出2D数组，数值和1D运算结果完全一致：
# [[24]
#  [15]
#  [29]]

实用建议：如果要避免隐式转换带来的歧义，处理矩阵乘法时可以主动显式指定数组维度：

• 用x.reshape(1, -1)强制转为1行n列的行向量
• 用x.reshape(-1, 1)强制转为n行1列的列向量

内容的提问来源于stack exchange，提问作者Davido