使用Numpy从对角线值创建数组栈的技术实现问题

嘿，我来帮你搞定这个矩阵堆叠的难题！你遇到的问题其实是np.diag在处理二维输入时的行为和一维不同——它会提取对角线而非生成对角矩阵堆。下面分两部分解决你的问题：

一、更简洁的数组重复/堆叠方法 #

你之前用np.repeat(np.expand_dims(vals, axis=0), 5, axis=0)的写法没问题，但Numpy有更直观的np.tile函数可以简化：

import numpy as np
vals = np.array([1,2,3])
# 生成形状为(5, 3)的堆叠数组
vals_stack = np.tile(vals[np.newaxis, :], (5, 1))
# 或者用更简洁的None替代np.expand_dims
vals_stack = vals[None, :].repeat(5, axis=0)
print(vals_stack.shape)  # 输出: (5, 3)

np.tile的作用是“平铺”数组，第一个参数是要重复的基础数组，第二个参数是各维度的重复次数，比嵌套的repeat+expand_dims可读性更强。

二、无需循环生成堆叠对角矩阵 #

想要得到形状为(N, M, M)的对角矩阵堆（这里N=5，M=3），完全可以用Numpy的广播机制实现向量化操作，比循环效率高得多：

M = vals_stack.shape[1]
# 创建M×M的单位矩阵
eye_matrix = np.eye(M)
# 利用广播将每个一维数组转为对角矩阵
mat_stack = vals_stack[:, :, np.newaxis] * eye_matrix
print(mat_stack.shape)  # 输出: (5, 3, 3)

原理说明： #

• vals_stack[:, :, np.newaxis]将原数组形状从(5,3)转为(5,3,1)
• 当它和形状为(3,3)的单位矩阵相乘时，Numpy会自动广播：每个(3,1)的向量会和单位矩阵的每一列相乘，最终生成(5,3,3)的对角矩阵堆。

你可以验证一下结果，比如mat_stack[0]就是np.diag([1,2,3])，完全符合需求。

如果偏好更紧凑的写法，也可以用np.einsum实现：

mat_stack = np.einsum('ni,jk->nij', vals_stack, np.eye(M))

效果和广播方法一致，不过广播的写法更直观易懂。

为什么不用循环？ #

循环在Numpy中效率极低，尤其是当堆叠数量N很大时，向量化操作能利用Numpy的底层优化（比如C语言实现），运行速度会快几个数量级。

内容的提问来源于stack exchange，提问作者koxx