如何用Pythonic/Numpy方式实现二维数组行自乘及列元素累乘？

问题1：Pythonic/Numpy风格实现二维数组每行与自身相乘 #

得先明确你说的“相乘”是哪种场景，分两种情况处理最贴合Numpy的风格：

• 元素级逐位相乘：如果是让每行的每个元素和自身直接相乘（本质就是每行元素平方），用Numpy的广播特性一行搞定，简洁又高效：

  result = arr * arr
  # 要是明确是求平方，用np.square(arr)可读性更强
  

  比如输入arr = np.array([[1,2],[3,4]])，结果会是[[1,4],[9,16]]，完全符合Pythonic的简洁思路。

• 矩阵外积相乘：如果是把每行作为行向量，和自身做矩阵外积（得到一个3D数组，每个元素是原行的外积矩阵），推荐用广播代替循环，性能更优：

  # 通过增加维度实现广播，避免apply_along_axis这类隐性循环
  result = arr[:, :, np.newaxis] * arr[:, np.newaxis, :]
  

  比如输入arr = np.array([[1,2],[3,4]])，结果会是一个(2,2,2)的数组，第一页是[[1,2],[2,4]]，第二页是[[9,12],[12,16]]，正好是每行与自身的外积结果。

问题2：Numpy内置函数实现按列累乘 #

当然有更合适的方案！np.prod()就是Numpy专门为这类需求设计的内置函数，比用reduce要高效且直观得多：

import numpy as np
arr = np.array([[1,2,3],[1,2,3],[1,2,3]])
prod = np.prod(arr, axis=0)
# 输出结果：array([1, 8, 27])

为什么这是更好的选择？

• 性能碾压：Numpy内置函数是底层C优化的向量化操作，比Python层面的reduce循环快几个数量级，数组规模越大差距越明显。
• 可读性拉满：np.prod(arr, axis=0)一眼就能看懂是按列计算乘积，而lambda+reduce的写法需要额外花时间理解逻辑。
• 灵活性更高：还能通过dtype参数指定结果类型，避免整数溢出问题，比如np.prod(arr, axis=0, dtype=np.int64)。

要是需要按行累乘，只需要把axis改成1就行，非常灵活。

内容的提问来源于stack exchange，提问作者Pryderide