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。
