Python 通过Numpy/Pandas使用（nx1）数据创建一个nxm多项式数组

我使用以下命令创建了一个数组：

Using 
np.column_stack


np.column_stack((a, a**2, a**3))

使用


这里有一种方法：

你在这里描述的东西叫做a
numpy
内置了此功能（比在大型矩阵上广播性能更好）

Vandermonde矩阵的第一列始终为
1
，因此如果愿意，可以将其过滤掉




只是为了验证一下：

a = np.random.normal(0, 1, 10_000)

In [99]: %timeit np.vander(a, 100, increasing=True)[:, 1:]
8.37 ms ± 97 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [100]: %timeit a[:, None]**np.arange(1, 100)
51.4 ms ± 904 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)


在大型矩阵中，
vander
beats广播：


如果你不想要一个严格递增的矩阵，这将变得不太有用，并将计算不必要的幂，在这种情况下，你应该回到广播解决方案。
所有，非常感谢你的回答。我是Python的初学者，很高兴看到三种不同的方法来解决这个问题。我阅读并自学了这三方面的知识

再次感谢
 在我的机器上，由于
**
操作缓慢，vander
在与OP大小相同的较小矩阵上击败广播解决方案。
a = np.random.normal(0,1,50)

out = a[:,None]**np.arange(1,4)

print(out.shape)
# (50, 3)

a = np.random.normal(0, 1, 50)

np.vander(a, 4, increasing=True)[:, 1:]

array([[ 4.21022633e-01,  1.77260058e-01,  7.46304963e-02],   
       [-9.37208666e-02,  8.78360084e-03, -8.23206683e-04],   
                          ...   
       [-9.02260087e-01,  8.14073265e-01, -7.34505815e-01],   
       [ 1.21125200e+00,  1.46713140e+00,  1.77706584e+00]])  

>>> np.isclose(np.vander(a, 4, increasing=True)[:, 1:], a[:, None]**np.arange(1, 4)).all()
True

a = np.random.normal(0, 1, 10_000)

In [99]: %timeit np.vander(a, 100, increasing=True)[:, 1:]
8.37 ms ± 97 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [100]: %timeit a[:, None]**np.arange(1, 100)
51.4 ms ± 904 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)