构造特定形式lower triangular matrix：寻求替代for循环的快速vectorized方案

当然有更快的向量化实现方式！尤其是用NumPy的话，完全可以摆脱Python级别的for循环，利用底层优化的数组操作来大幅提升速度，尤其是当矩阵维度n较大时，性能差距会非常明显。

核心思路 #

你的目标是构造下三角矩阵，且主对角线以下的每条次对角线（行索引减列索引的偏移量固定）元素为常数。我们可以利用NumPy的索引矩阵直接生成偏移量，再通过向量化映射填充常数，全程无需循环。

代码实现示例 #

import numpy as np

# 定义矩阵大小和每条对角线的常数（按偏移量从0到n-1排列，0对应主对角线）
n = 5
diag_constants = np.array([1, 2, 3, 4, 5])  # 主对角线=1，下第一条对角线=2，以此类推

# 生成行、列索引矩阵
i, j = np.indices((n, n))
# 计算每个位置的偏移量：行索引 - 列索引
offset = i - j

# 构造目标矩阵：下三角区域按偏移量取对应常数，上三角区域设为0
lower_tri_matrix = np.where(offset >= 0, diag_constants[offset], 0)

print(lower_tri_matrix)

运行后输出的矩阵如下：

[[1 0 0 0 0]
 [2 1 0 0 0]
 [3 2 1 0 0]
 [4 3 2 1 0]
 [5 4 3 2 1]]

为什么这比for loop快？ #

• NumPy的向量化操作是基于C语言实现的，避免了Python循环的解释器开销，对于大矩阵（比如n=1000），速度能提升几十甚至上百倍。
• 整个过程是“批量”处理所有元素，无需逐一遍历每条对角线。

拓展说明 #

如果你的常数序列是动态生成的（比如不是手动定义的列表），只需要将diag_constants替换为对应的NumPy数组即可，逻辑完全通用。

内容的提问来源于stack exchange，提问作者EpicMochi