本文介绍如何使用 numpy 高效、向量化地计算两个形状相同的二维数组中每一对对应行向量的点积，避免显式 for 循环，提供两种主流方法及其性能与适用性分析。

本文介绍如何使用 numpy 高效、向量化地计算两个形状相同的二维数组中每一对对应行向量的点积，避免显式 for 循环，提供两种主流方法及其性能与适用性分析。

在科学计算和机器学习中，经常需要对两个同形二维数组（如特征矩阵）的对应行进行逐行点积运算，例如计算样本间的余弦相似度、加权内积或自定义距离项。若采用 Python 原生循环（如 zip + np.dot），虽逻辑清晰，但效率低下，无法发挥 NumPy 的向量化优势。

幸运的是，NumPy 提供了简洁、高效且无需显式循环的实现方式。以下是两种推荐方案：

✅ 方法一：元素级乘法 + 沿行求和（推荐）

import numpy as np

arr_x = np.array([[1, 2, 3], 
                  [4, 5, 6]])
arr_y = np.array([[1, 2, 3], 
                  [4, 5, 6]])

res = (arr_x * arr_y).sum(axis=1)
print(res)  # [14 77]

原理：利用广播机制对 arr_x 和 arr_y 执行逐元素相乘（*），得到形状相同的中间数组；再沿 axis=1（即每行）求和，等价于各行向量的点积。该方法时间复杂度低、内存局部性好，是首选方案，尤其适用于大规模数据。

✅ 方法二：矩阵乘法取对角线（直观但需谨慎）

res = np.diag(arr_x @ arr_y.T)
print(res)  # [14 77]

原理：arr_x @ arr_y.T 计算的是 arr_x 的每行与 arr_y 的每列（即 arr_y 的每行）的点积，结果为一个 (m, m) 矩阵；其主对角线元素 diag[i] 即为 arr_x[i] 与 arr_y[i] 的点积。
⚠️ 注意：此方法会生成完整的 m × m 中间矩阵（当 arr_x.shape[0] == m），空间复杂度为 O(m²)。若 m 较大（如 >10⁴），将显著增加内存开销，甚至触发 MemoryError，不建议用于大数据场景。

? 补充说明与最佳实践

• 两种方法均要求 arr_x.shape == arr_y.shape，否则会报错（如 ValueError: operands could not be broadcast together）；
• 若需兼容不同数据类型（如 float32），可显式指定 dtype：(arr_x.astype(np.float32) * arr_y.astype(np.float32)).sum(axis=1)；
• 对于超大规模数组，还可考虑 np.einsum('ij,ij->i', arr_x, arr_y)，语义清晰且通常性能接近方法一，适合强调可读性或需扩展至高维情形的场景；
• 始终优先使用方法一——它简洁、高效、内存友好，是 NumPy 向量化编程的典范实践。

综上，(arr_x * arr_y).sum(axis=1) 是计算对应行点积最实用、最健壮的解决方案。