Numpy函数未区分点积与矩阵乘法的投影矩阵实现问题

我完全懂你的困扰——在NumPy里区分点积（标量输出）和外积（矩阵输出）确实是实现这个投影矩阵的关键，稍不注意就会搞混。咱们一步步来搞定它：

先明确投影矩阵的公式 #

你提到的投影矩阵公式是：

$P = \frac{\mathbf{v}\mathbf{v}^{T}{\mathbf{v}}T \cdot \mathbf{v}}$
这里的核心是：

• 分子是列向量 × 行向量（外积），结果是一个n×n的矩阵
• 分母是向量的点积，结果是一个0维标量

NumPy里的实现要点 #

NumPy对一维数组的转置不会改变其形状（比如np.array([1,2,3]).T还是一维），这会导致直接用v @ v.T计算的是点积而不是外积——这正是你遇到的问题。所以我们需要先调整向量的维度，或者用专门的外积函数。

实现代码（两种方式） #

方式1：手动调整维度（推荐，更直观）

import numpy as np

def projection_matrix(v):
    # 先把输入转换成NumPy数组
    v = np.asarray(v)
    # 如果是一维向量，转成列向量（形状变为(n, 1)）
    if v.ndim == 1:
        v = v[:, np.newaxis]
    # 计算分子：列向量 × 行向量（矩阵乘法，得到n×n矩阵）
    numerator = v @ v.T
    # 计算分母：点积（行向量 × 列向量，得到标量）
    denominator = v.T @ v
    # 矩阵除以标量，NumPy会自动广播
    return numerator / denominator

方式2：用np.outer直接计算外积

如果不想手动调整维度，可以用np.outer函数，它专门用来计算两个向量的外积，不管输入是一维还是二维都能正确输出矩阵：

import numpy as np

def projection_matrix(v):
    v = np.asarray(v)
    # 外积直接得到n×n矩阵
    numerator = np.outer(v, v)
    # 点积用np.dot或者v.T@v都可以（一维数组下等价）
    denominator = np.dot(v, v)
    return numerator / denominator

测试一下 #

比如用向量v = [1, 0, 0]，投影矩阵应该是只有第一行第一列是1，其余为0的3×3矩阵：

v = [1, 0, 0]
P = projection_matrix(v)
print(P)

输出结果：

[[1. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]

完全符合预期！

关键总结 #

• 分子需要的是外积（矩阵输出）：要么把向量转成列向量后用@做矩阵乘法，要么直接用np.outer
• 分母需要的是点积（标量输出）：用np.dot(v, v)、v.T @ v（一维数组下）或者np.inner(v, v)都可以

内容的提问来源于stack exchange，提问作者ShellRox