当然支持！你要实现的是矩阵每一行的所有元素分别乘以向量对应位置的元素，Eigen提供了不止一种简便的实现方式，完全不用手动写循环。

方法1：利用Array模块的广播（Broadcasting） #

Eigen的Array类型原生支持广播操作，通过rowwise()可以让向量按行扩展，和矩阵逐元素相乘：

#include <Eigen/Dense>
#include <iostream>

int main() {
    // 构造你的矩阵A
    Eigen::MatrixXf A(4, 4);
    A << 0.5, 0.5, 0.5, 0.5,
         0.694496, 0.548501, 0.680067, 0.717111,
         0.362112, 0.596561, 0.292028, 0.370271,
         0.56341, 0.642395, 0.467179, 0.598476;

    // 构造你的向量B
    Eigen::VectorXf B(4);
    B << 0.713072, 0.705231, 0.772228, 0.767898;

    // 核心操作：逐行缩放
    Eigen::MatrixXf result = A.array().rowwise() * B.array();

    // 输出结果
    std::cout << "Result:\n" << result << "\n";
    return 0;
}

原理说明：

• A.array()和B.array()将矩阵/向量转换为Array类型，启用逐元素操作；
• rowwise()指定后续操作按行广播，向量B的每个元素会自动扩展为与A的行等长的“行向量”，和A的对应行逐元素相乘；
• 结果会自动转换回MatrixXf类型，完全符合你的需求。

方法2：利用对角矩阵乘法 #

另一种更具“线性代数语义”的方式是把向量B转换为对角矩阵，再与原矩阵A相乘：

// 替代核心操作的代码
Eigen::MatrixXf result = B.asDiagonal() * A;

原理说明：

• B.asDiagonal()会生成一个对角矩阵，对角线上的元素就是向量B的元素；
• 对角矩阵左乘A时，相当于用对角矩阵的第i个对角元素（即B(i)）去缩放A的第i行，最终效果和方法1完全一致。

两种方法的对比 #

• 方法1（Array广播）：效率更高，无需额外构造对角矩阵，适合大规模矩阵操作；
• 方法2（对角矩阵乘法）：语义更直观，符合线性代数的思维习惯，代码可读性强。

两种方法都能完美实现你要的效果，根据自己的习惯选择即可。

内容的提问来源于stack exchange，提问作者Piotrekk