在NumPy中如何简洁自然地实现向量外积运算？

刚好我常处理这类科学计算场景，先帮你理清一个关键问题：你例子里的a和b是一维NumPy数组（shape分别是(3,)和(4,)），不是你描述的[n,1]/[m,1]二维列向量——这就是a @ b.T行不通的核心原因：一维数组的转置还是一维，@会执行点积运算而非矩阵乘法，自然得不到你要的[n,m]矩阵。

下面给你几个更简洁直观的实现方式，按可读性和实用性排序：

1. 用np.outer()直接实现（最推荐） #

NumPy专门为这种向量外积场景提供了np.outer()函数，完全贴合你的需求，可读性拉满：

import numpy as np
a = np.array([1,2,3])
b = np.array([4,5,6,7])
result = np.outer(a, b)

输出结果正是你想要的：

[[ 4  5  6  7]
 [ 8 10 12 14]
 [12 15 18 21]]

2. 利用广播机制简化维度扩展 #

你原来手动加维度的方法可以进一步简化，用[:, None]替代[:, np.newaxis]（None是np.newaxis的内置别名，写起来更短），而且甚至不需要用@——广播会自动帮我们完成维度扩展，逐元素相乘的结果和外积完全一致：

result = a[:, None] * b

这里a[:, None]把一维数组转成了(3,1)的二维列向量，和(4,)的b广播后都会变成(3,4)的矩阵，逐元素相乘就得到了外积结果。

3. 转成二维数组后用@操作符 #

如果你特别想用@来实现，可以先把两个一维数组转成符合矩阵乘法要求的二维形状：

result = a.reshape(-1, 1) @ b.reshape(1, -1)

reshape(-1,1)会自动根据原数组长度生成(n,1)的列向量，reshape(1,-1)生成(1,m)的行向量，此时@就会执行标准的矩阵乘法，得到(n,m)的结果。

关于np.einsum的小补充 #

你提到的np.einsum('a,b->ab', a,b)其实不算怪异，它是一种极其灵活的张量运算工具，适合处理复杂的多维数组组合运算——但对于这种简单的外积场景，确实不如前面几种方法直观，除非你已经习惯了爱因斯坦求和的语法。

内容的提问来源于stack exchange，提问作者ShapingView