在python中优化2D-1D操作

应用简单运算（如乘法）的pythonic cpu优化方法是什么：

沿二维阵列的一维 到二维数组其他维度的所有元素 根据另一个一维数组中的元素 ?

例如：

x=np.arange(150).reshape([50,3])
y=np.arange(50)+10

我想做：

np.array([x[i,:]*y[i] for i in range(50)])

但我想让它尽可能快，因为“50”可能是亿万

顺便问一下，这完全等同于：

np.array([x[i,:]*j for i,j in enumerate(y)])

?

---

我在这里做了一些更新，但最后打开了一个新问题

您可以使用None或np.newaxis向y添加一个新轴，这样它就可以在x上广播：

---

您可以使用None或np.newaxis向y添加一个新轴，以便在x上广播：

---

另一种可能，使用瑞士军刀阵列产品，即

---

另一种可能，使用瑞士军刀阵列产品，即

---

你可以做任何事情，没有einsum，你只需要找到正确的组合换位，虚拟轴和重塑。。。我建议您在解释器中使用小数组进行一点实验，以了解所有不同的可能性。您可以在不使用einsum的情况下做任何事情，您只需找到正确的换位、虚拟轴和重塑组合。。。我建议你用小数组在口译员中进行一点实验，以了解所有不同的可能性。如果你有新问题，请提出新问题。我将练习einsum see 2de答案，如果我还有问题，请回来。如果你有新问题，请提出新问题。我将练习einsum see 2de如果我还有问题，请回答并回来

x * y[:,None]

np.allclose((x * y[:,None]), np.array([x[i,:]*y[i] for i in range(50)]))
# True

In [9]: x=np.arange(150).reshape([50,3])
   ...: y=np.arange(50)+10
   ...: check=np.array([x[i,:]*y[i] for i in range(50)])
   ...: np.allclose(np.einsum('ji,j->ji', x, y),check)
Out[9]: True