如何利用numpy高效计算向量元素间差值构成的矩阵？

嗨，这个场景太常见了！当向量规模很大时，嵌套循环的效率简直没法看，幸好Numpy的广播机制就是专门解决这类问题的——完全不用写循环，运算速度还是C级别的，比Python循环快好几个数量级。

核心思路 #

Numpy的广播会自动扩展形状不匹配的数组，让它们能进行逐元素运算。我们只需要把原一维向量转换成列向量，再和原向量做减法就行：

• 原向量X的形状是(S,)（比如示例里的(4,)）
• 转换成列向量后形状变成(S,1)
• 用列向量减去原向量时，Numpy会自动把原向量广播成(S,S)的矩阵（每一行都是原X），列向量也会被广播成(S,S)的矩阵（每一列都是原X）
• 逐元素相减后，正好得到difX[i,j] = X[i] - X[j]的结果

代码实现 #

import numpy as np

# 示例向量
X = np.array([1, 2, 3, 4])
# 生成差分矩阵
difX = X[:, np.newaxis] - X

# 验证结果
print(difX)

运行后输出完全符合你的需求：

[[ 0  1  2  3]
 [-1  0  1  2]
 [-2 -1  0  1]
 [-3 -2 -1  0]]

替代写法（可选） #

如果你觉得[:, np.newaxis]看着别扭，也可以用reshape来生成列向量，效果完全一样：

difX = X.reshape(-1, 1) - X

这种方法完全依赖Numpy的内部优化，不管你的向量有多大（比如几万甚至几十万元素），运算效率都远高于Python循环，而且代码简洁到离谱～

内容的提问来源于stack exchange，提问作者HolyCrack