np.outer() 计算向量外积而非叉乘，输出形状为(len(a), len(b))的二维矩阵，元素为a[i]*b[j]；它自动展平输入、不检查维度语义，性能轻量但易因大数组导致OOM。
外积不是叉乘，np.outer() 只做向量外积
很多人搜“NumPy 外积”时实际想算向量叉乘（cross product），但 np.outer() 完全不处理那个——它只按定义做外积（outer product）：把两个一维数组 a 和 b 变成一个二维矩阵，其中 result[i, j] == a[i] * b[j]。结果形状永远是 (len(a), len(b))，和维度方向、正交性、右手系都无关。
常见错误现象：np.outer([1,2], [3,4,5]) 返回 2×3 矩阵，而不是报错或自动转置；有人误以为它能替代 np.cross()，结果维度对不上，后续 reshape 报 ValueError: cannot reshape array。
- 使用场景：构造协方差矩阵的初始项、生成网格权重、实现简单线性核（如
K[i,j] = x[i] * y[j]） -
a和b会被自动展平（squeeze）成一维，哪怕传入二维列向量[[1],[2]]也会被压成[1,2] - 性能上极轻量，纯广播乘法，无内存拷贝；但若
a和b都很大（比如各 10⁵ 元素），结果矩阵会占 10¹⁰ 个浮点数，大概 80 GB 内存——直接 OOM
np.outer() 和 @ / np.dot() 的根本区别
np.outer(a, b) 是 a 列 × b 行 的外积；而 a @ b.T 或 np.dot(a.reshape(-1,1), b.reshape(1,-1)) 才等价。别指望用 a @ b 替代——那算的是内积（标量），除非你手动补维度。
容易踩的坑：np.outer(a, b) 不检查输入是否为向量，也不做类型转换。如果传入 int64 和 float32，结果 dtype 是 float64（NumPy 类型提升规则），可能悄悄放大内存占用。
- 参数差异：
np.outer()没有out参数，无法指定输出缓冲区；不能像np.matmul()那样控制 batch 维度 - 兼容性：Python 3.8+ / NumPy 1.17+ 行为一致；旧版本对空数组处理略有不同（如
np.outer([], [1,2])在 1.16 返回(0,2)，1.17+ 返回(0,2)但 dtype 推断更严格） - 简短示例：
a = np.array([10, 20]); b = np.array([1, 2, 3]); np.outer(a, b)→array([[10, 20, 30], [20, 40, 60]])
当你要的其实是“张成矩阵”，但输入不是一维怎么办
标题里说“两个一维向量张成矩阵”，但如果实际拿到的是列向量（shape (n, 1)）或行向量（(1, n)），np.outer() 仍会先展平再算，结果和预期一致。但如果你本意是保持原始方向参与运算（比如想让 (n,1) 左乘 (1,m) 得 (n,m)），那就该用 @ 或 np.dot()。
常见错误现象：从 pandas DataFrame 取一列（df['x'].values）得到 shape (n,)，没问题；但从 df[['x']] 取，得到 (n,1) —— 传给 np.outer() 会变成一维，但你可能以为它保留了列结构，导致后续索引错乱。
- 安全做法：显式展平 + 检查维度，例如
a = np.asarray(a).ravel(); b = np.asarray(b).ravel() - 如果必须保留语义方向（比如明确区分“左因子是列”“右因子是行”），改用
a.reshape(-1, 1) @ b.reshape(1, -1)，这样形状意图清晰，也方便调试 - 注意：reshape 不复制数据，开销可忽略；而
ravel()在多数情况下返回 view，除非原数组不连续
外积结果太大？别硬算，用稀疏或延迟计算
外积天然产生稠密矩阵，一旦任一输入长度超 10⁴，结果就至少 10⁸ 元素（约 800 MB）。这时候继续调 np.outer() 就是给自己找麻烦。
真正需要的往往不是整个矩阵，而是它的某几行、某种聚合（如每行求和）、或作为中间核函数参与迭代。硬生成再切片，内存和时间都浪费。
- 替代思路：用
scipy.sparse.outer()（需先转为 sparse vector），或手写生成器函数按需产出某一行：def outer_row(i): return a[i] * b - 如果只是用于矩阵乘法（如
outer(a,b) @ c），直接用np.outer(a, b @ c)等价且省空间——因为(abᵀ)c = a(bᵀc)，标量内积优先 - 容易被忽略的一点：
np.outer()不支持dtype='float32'显式指定，得靠输入 dtype 控制；想省内存，就确保a和b都是float32
