这是我的目标，使用Python Numpy：
我想创建一个（1000,1000）点数组/矩阵点积值。这意味着每个数组/矩阵条目是向量1到1000的点积。构造它在理论上很简单：一个定义向量v1，v2，...，v1000的（1,1000）维矩阵
import numpy as np
vectorvalue = np.matrix([v1, v2, v3, ..., v1000])
并使用转置获取点积，即
matrix_of_dotproducts = np.tensordot(vectorvalue.T, vectorvalue)
阵列/矩阵的形状将是（1000,1000）。 （1,1）条目将是向量（v1，v1）的点积，（1,2）条目将是向量（v1，v2）等的点积。为了计算点积。对于三维向量来说，使用numpy.tensordot()代替numpy.dot()
这是我的问题：我没有从矢量值数组开始。我从每个坐标值的三个1000个元素数组开始，即x坐标，y坐标和z坐标的数组。
xvalues = np.array([x1, x2, x3, ..., x1000])
yvalues = np.array([y1, y2, y3, ..., y1000])
zvalues = np.array([z1, z2, z3, ..., z1000])
最简单的方法是构造一个（3,1000）numpy数组/矩阵，然后为每一对采用张量点积？
v1 = np.array([x1,y1,z1])
v2 = np.array([x2,y2,z2])
...
我确信这是一种更易处理，更有效的方法......
PS：要明确，我想拍一个3D点产品。也就是说，对于矢量A =（a1，a2，a3） 和B =（b1，b2，b3），
点积应
dotproduct（A，B）= a1b1 + a2b2 + a3b3。
答案 0 :(得分：0)
IIUC，您可以按照建议构建中间数组：
>>> arr = np.vstack([xvalues, yvalues, zvalues]).T
>>> out = arr.dot(arr.T)
这似乎是你想要的：
>>> out.shape
(1000, 1000)
>>> out[3,4]
1.193097281209083
>>> arr[3].dot(arr[4])
1.193097281209083
答案 1 :(得分：0)
所以，你最初的想法并不遥远。连接数组所涉及的开销非常小，但如果您对numpy内部的内容感兴趣，那么内置的一组函数vstack， hstack和dstack应完全按照您的意愿执行。 （分别为垂直，水平和深度）
我会留给你确定你在哪里，但这里有一个从文档中无耻地窃取的例子，以帮助你入门：
>>> a = np.array([1, 2, 3])
>>> b = np.array([2, 3, 4])
>>> np.vstack((a,b))
array([[1, 2, 3],
[2, 3, 4]])
供参考：vstack docs，hstack docs和dstack docs
如果在这里有三个独立的功能感觉有点过分，那么你就是对的！这就是为什么numpy也具有concatenate功能的原因。它只是vstack，hstack和dstack的一般化，它采用axis参数。
>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6]])
>>> np.concatenate((a, b), axis=0)
array([[1, 2],
[3, 4],
[5, 6]])