NumPy是Python生态中用于科学计算的核心库，数组乘法是其最基础也最容易混淆的操作之一。很多初学者会误以为*运算符和np.dot()都能实现数组相乘，实际上两者的运算逻辑和适用场景存在本质区别。
核心差异对比
首先通过表格直观对比两者的核心区别：
| 对比维度 | *运算符 | np.dot() |
|---|---|---|
| 运算类型 | 元素级乘法 | 点积运算（内积） |
| 数组形状要求 | 两个数组形状必须完全相同，或满足广播规则 | 前一个数组的最后一维大小等于后一个数组的倒数第二维大小 |
| 运算规则 | 对应位置元素直接相乘 | 遵循线性代数点积规则，对应元素相乘后求和 |
| 典型应用场景 | 数据缩放、逐元素特征加权 | 向量内积、矩阵乘法、线性变换计算 |
*运算符的使用方法
*运算符执行的是元素级乘法，即两个数组中对应位置的元素直接相乘，生成的新数组形状和原数组一致。如果数组形状不同，只要满足NumPy的广播规则，也可以正常运算。
同形状数组相乘示例
import numpy as np # 创建两个一维数组 arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) # 使用*运算符相乘 result1 = arr1 * arr2 print(result1) # 输出 [ 4 10 18]
二维数组相乘示例
# 创建两个二维数组 matrix1 = np.array([[1, 2], [3, 4]]) matrix2 = np.array([[5, 6], [7, 8]]) # 元素级相乘 result2 = matrix1 * matrix2 print(result2) # 输出 # [[ 5 12] # [21 32]]
广播场景下的乘法
当一个数组是标量，或者数组形状满足广播条件时，*运算符会自动扩展数组维度完成相乘：
arr = np.array([[1, 2], [3, 4]]) # 数组和标量相乘，所有元素乘以2 result3 = arr * 2 print(result3) # 输出 # [[2 4] # [6 8]]
np.dot()的使用方法
np.dot()执行的是点积运算，运算规则遵循线性代数的内积定义，不同维度数组的点积规则不同：
- 两个一维数组：计算向量内积，结果是标量，等于对应元素相乘后求和
- 二维数组和一维数组：二维数组的每一行与一维数组做点积，结果是形状匹配的一维数组
- 两个二维数组：执行矩阵乘法，前一个矩阵的行与后一个矩阵的列做点积
一维数组点积示例
import numpy as np vec1 = np.array([1, 2, 3]) vec2 = np.array([4, 5, 6]) # 计算向量内积 dot_result1 = np.dot(vec1, vec2) print(dot_result1) # 输出 32，计算逻辑：1*4 + 2*5 + 3*6 = 4+10+18=32
二维数组（矩阵）乘法示例
# 创建两个二维矩阵 matrix_a = np.array([[1, 2], [3, 4]]) # 形状 (2,2) matrix_b = np.array([[5, 6], [7, 8]]) # 形状 (2,2) # 矩阵乘法 dot_result2 = np.dot(matrix_a, matrix_b) print(dot_result2) # 输出 # [[19 22] # [43 50]] # 计算逻辑： # 第一行第一列：1*5 + 2*7 = 5+14=19 # 第一行第二列：1*6 + 2*8 = 6+16=22 # 第二行第一列：3*5 + 4*7 = 15+28=43 # 第二行第二列：3*6 + 4*8 = 18+32=50
矩阵与向量点积示例
matrix = np.array([[1, 2, 3], [4, 5, 6]]) # 形状 (2,3) vec = np.array([7, 8, 9]) # 形状 (3,) # 矩阵和向量点积，结果是形状(2,)的一维数组 dot_result3 = np.dot(matrix, vec) print(dot_result3) # 输出 [ 46 122] # 计算逻辑： # 第一行：1*7 + 2*8 + 3*9 = 7+16+27=50？不对，重新算：1*7=7,2*8=16,3*9=27，总和7+16+27=50？哦刚才写错了，正确是[50, 122] # 第二行：4*7 +5*8 +6*9 =28+40+54=122
常见误区与注意事项
很多用户会误用*运算符计算矩阵乘法，导致结果错误。比如想要计算两个二维矩阵的乘法，如果用*运算符，得到的是元素级相乘的结果，和预期的矩阵乘法结果完全不同。
注意：如果是NumPy版本1.16及以上，矩阵乘法更推荐使用np.matmul()或者@运算符，np.dot()在部分高维数组场景下行为和matmul有细微差异，不过对于二维矩阵和一维向量，两者结果一致。
场景选择建议
- 如果需要对应位置元素相乘、数据缩放、逐元素特征加权，选择*运算符
- 如果需要计算向量内积、矩阵乘法、线性变换、神经网络中的权重计算，选择np.dot()或者@运算符
- 不确定运算类型时，先明确自己的需求是元素级操作还是线性代数点积操作，再选择对应的方法