Python （0,1）-矩阵与（0,1）-向量的乘积

在Python中，我想将一个二进制矩阵（每个元素为0或1）与一个二进制向量相乘。矩阵的大小大约为100000 x 100，向量有100个元素。如果V和x分别是矩阵和向量（初始化为bool），则以下简单代码可以完成这项工作：

V.astype(np.int8).dot(x.astype(np.int8))

我的问题是：有没有一种方法可以利用2个操作数的二进制特性更快地完成这项工作？毕竟，100000个操作中的每一个都是一行V和向量x之间的逻辑AND之和

谢谢你的帮助。 帕特里克

---

编辑：刚刚尝试了你的解决方案。奇怪的是，这两种方法（int8 et einsum）在我的机器上的性能似乎很相似

您可以使用：

结果是一样的：

In [29]: np.allclose(expected, result)
Out[29]: True

np.einsum

大约快3倍：

In [30]: %timeit np.einsum('ij,j->i', V, x)
100 loops, best of 3: 6.92 ms per loop
In [25]: %timeit V.astype(np.int8).dot(x.astype(np.int8))
10 loops, best of 3: 22.4 ms per loop

注意：与原始代码不同，在本例中，

np.einsum

返回一个dtype

int32

数组

---

您可以尝试使用

np.logical_和
和
np.sum
，但这样做要慢得多：

In [45]: result2 = np.logical_and(V, x).sum(axis=1)

In [46]: np.allclose(expected, result2)
Out[46]: True

In [47]: %timeit np.logical_and(V, x).sum(axis=1)
10 loops, best of 3: 78 ms per loop

这可能会比较慢，因为计算分两步进行
需要形成一个形状为（100000，100）的中间数组
np.logical_和（V，x）
。调用<代码> NP.EnSoMs/COD>让底层C++函数直接计算结果。
刚刚尝试UNUTBU解决方案。奇怪的是，这两种方法（int8 et einsum）在我的机器上的性能似乎相似。这是可能的。各种方法的性能（甚至相对性能）可能取决于NumPy的版本、编译NumPy时使用的库（请参见
np.show\u config（）
）、操作系统、硬件等。
In [45]: result2 = np.logical_and(V, x).sum(axis=1)

In [46]: np.allclose(expected, result2)
Out[46]: True

In [47]: %timeit np.logical_and(V, x).sum(axis=1)
10 loops, best of 3: 78 ms per loop