点积应使用np.dot()或@运算符,要求输入为1D向量或兼容形状;叉积必须用np.cross(),不支持*运算符;常见错误是误用列向量导致矩阵乘法而非点积。

点积用 np.dot() 或 @ 运算符,但要注意输入形状
三维向量点积结果是标量,np.dot(a, b) 要求两个向量都是 1D(shape 为 (3,))或兼容的二维(如 (1, 3) 和 (3, 1))。如果误传 shape 为 (3, 1) 的列向量给两个参数,np.dot() 会做矩阵乘法,返回 (3, 3) 矩阵而非标量。
- 推荐统一转成一维:用
a.ravel()或a.flatten()再计算 - 更简洁写法:
a @ b(Python 3.5+),但同样要求两者都是 1D;若a是列向量(3, 1),需先写成a.T @ b或a.T @ b.ravel() - 避免用
np.inner()—— 它对高维数组行为不直观,对 1D 向量虽等价于dot,但容易混淆
叉积必须用 np.cross(),不能用 * 或 np.multiply()
* 是逐元素乘法,不是叉积。三维向量叉积结果仍是三维向量,方向垂直于原两向量构成的平面。np.cross() 是唯一正确接口,且对输入形状敏感:
- 支持 1D 输入:
np.cross(a, b),其中a、b都是(3,) - 支持批量计算:若
a是(N, 3),b是(N, 3),则输出为(N, 3) - 注意轴顺序:默认按最后一轴(axis=-1)计算;若数据是
(3, N)形状,需显式指定axis=0 - 别用
np.outer()或手写行列式——既冗长又易错,且无广播支持
常见报错:ValueError: shapes (3,1) and (3,1) not aligned
这是 np.dot() 在处理列向量时最典型的错误。例如:
import numpy as np a = np.array([[1], [2], [3]]) # shape (3, 1) b = np.array([[4], [5], [6]]) # shape (3, 1) np.dot(a, b) # ❌ 报错:试图做 (3,1) @ (3,1),不满足矩阵乘法规则
解决方式取决于你的真实意图:
- 想算点积 → 改成
np.dot(a.ravel(), b.ravel())或a.T @ b - 想算外积 → 用
np.outer(a.ravel(), b.ravel()),不是叉积 - 想批量算多个向量点积 → 把数据组织成
(N, 3),再用np.sum(a * b, axis=1)
性能与精度提醒:避免重复 reshape,慎用 Python 循环
NumPy 的 np.dot() 和 np.cross() 都已底层优化,但前提是输入格式规整。反复调用 .reshape(-1) 或 .flatten() 会产生副本,影响性能。
- 批量场景下(比如 10⁴ 组向量),优先用
(N, 3)格式一次性计算,而不是 for 循环调用np.cross() -
np.cross()对浮点误差敏感:当两向量近似平行时,结果模长可能因舍入误差偏离理论值(应接近 0);必要时可加np.linalg.norm(cross_result) 判定是否共线 - 不建议用
sympy做符号叉积后再转 NumPy——除非真需要解析解,否则纯属拖慢运行速度
实际用的时候,多数人卡在形状匹配上,而不是公式本身。把向量统一存成 (N, 3),点积用 np.sum(a * b, axis=1),叉积用 np.cross(a, b),基本能绕开 90% 的坑。
Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!











