二维数组矩阵加权求和方法

golang学习网今天将给大家带来《二维数组与矩阵的批量加权求和实现》，感兴趣的朋友请继续看下去吧！以下内容将会涉及到等等知识点，如果你是正在学习文章或者已经是大佬级别了，都非常欢迎也希望大家都能给我建议评论哈~希望能帮助到大家！

本文详解如何用 `np.einsum` 或广播机制，对矩阵 A 的每行分别按系数矩阵 C 的各列进行加权并沿行方向求和，避免显式 Python 循环，实现高效向量化计算。

在科学计算中，常需对一个二维数组 a（形状为 (m, n)）的每一行，分别乘以一个系数向量（如 c 的某一列），再沿行维度（axis=0）求和，得到长度为 n 的结果向量。当系数本身构成二维数组 c（形状为 (m, k)）时，我们希望同时对 c 的每一列（共 k 列）执行该操作，最终输出形状为 (n, k) 的结果矩阵——即：第 j 列结果 = sum(a[i, :] * c[i, j] for i in range(m))。

直接使用循环虽直观，但性能差；而 a * c[:, None] 仅适用于 c 为一维的情形。针对二维 c，推荐两种向量化方案：

✅ 方案一：np.einsum（推荐，语义清晰、性能优）

利用爱因斯坦求和约定，明确指定索引关系：

• a 索引为 ij（i: 行，j: 列）
• c 索引为 ik（i: 行，k: 系数列）
• 输出省略求和下标 i，保留 j, k → 结果形状为 (n, k)

import numpy as np

a = np.array([[20, 12,  6],
              [12, 24, 18],
              [ 0, 14, 30]])
b = np.array([1, 0.5])
c = np.array([b ** i for i in range(3)][::-1])  # shape: (3, 2)

result = np.einsum('ij,ik->jk', a, c)  # 注意显式写出输出下标 'jk'
print(result)
# [[32.   11. ]
#  [50.   29. ]
#  [54.   40.5]]

✅ 输出为 (n, k) = (3, 2)，符合预期：每列对应 c 的一列权重下的加权和。

✅ 方案二：广播 + 轴向求和（兼容性强，稍低效）

通过维度扩展实现广播：

• a[:, None] → (3, 1, 3)
• c[:, :, None] → (3, 2, 1)
• 广播后形状为 (3, 2, 3)，再对 axis=0 求和 → (2, 3)
• 最后转置得 (3, 2)（或直接 sum(0).T）

result_broadcast = (a[:, None] * c[:, :, None]).sum(axis=0).T
# 等价于：(a[:, None] * c.T[None, :, :]).sum(0)

⚠️ 注意：此方式内存占用更高（生成中间三维数组），在大数据量时不如 einsum 节省内存。

? 验证逻辑（以 c 第二列 [0.25, 0.5, 1.0] 为例）：

# 手动计算第二列（索引 1）：
col1 = c[:, 1]  # [0.25, 0.5, 1.0]
manual = (a.T * col1).sum(axis=1)  # [32. , 50. , 54. ]
# 对应 result[:, 1] → 完全一致

✅ 总结

• 首选 np.einsum('ij,ik->jk', a, c)：语义明确、性能好、不易出错；
• 广播方案可作为理解维度变换的辅助手段，但生产环境建议优先使用 einsum；
• 所有操作均完全向量化，无需 Python 循环，充分利用 NumPy 底层优化。

到这里，我们也就讲完了《二维数组矩阵加权求和方法》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于的知识点！