下面是一种优雅的python方式:

>>> array([[1,2,3],]*3)
array([[1, 2, 3],
       [1, 2, 3],
       [1, 2, 3]])

>>> array([[1,2,3],]*3).transpose()
array([[1, 1, 1],
       [2, 2, 2],
       [3, 3, 3]])

[16]的问题似乎是转置对数组没有影响。你可能想要一个矩阵:

>>> x = array([1,2,3])
>>> x
array([1, 2, 3])
>>> x.transpose()
array([1, 2, 3])
>>> matrix([1,2,3])
matrix([[1, 2, 3]])
>>> matrix([1,2,3]).transpose()
matrix([[1],
        [2],
        [3]])

首先注意，使用numpy的广播操作，通常不需要复制行和列。请看这里和这里的描述。

但要做到这一点，重复和重新打蜡可能是最好的方法

In [12]: x = array([1,2,3])

In [13]: repeat(x[:,newaxis], 3, 1)
Out[13]: 
array([[1, 1, 1],
       [2, 2, 2],
       [3, 3, 3]])

In [14]: repeat(x[newaxis,:], 3, 0)
Out[14]: 
array([[1, 2, 3],
       [1, 2, 3],
       [1, 2, 3]])

这个例子是关于行向量的，但是把它应用到列向量是很明显的。Repeat似乎拼写得很好，但你也可以像你的例子中那样通过乘法来做

In [15]: x = array([[1, 2, 3]])  # note the double brackets

In [16]: (ones((3,1))*x).transpose()
Out[16]: 
array([[ 1.,  1.,  1.],
       [ 2.,  2.,  2.],
       [ 3.,  3.,  3.]])

使用numpy.tile:

>>> tile(array([1,2,3]), (3, 1))
array([[1, 2, 3],
       [1, 2, 3],
       [1, 2, 3]])

或者对于重复列:

>>> tile(array([[1,2,3]]).transpose(), (1, 3))
array([[1, 1, 1],
       [2, 2, 2],
       [3, 3, 3]])

我认为在numpy中使用broadcast是最好的，而且更快

我做了如下比较

import numpy as np
b = np.random.randn(1000)
In [105]: %timeit c = np.tile(b[:, newaxis], (1,100))
1000 loops, best of 3: 354 µs per loop

In [106]: %timeit c = np.repeat(b[:, newaxis], 100, axis=1)
1000 loops, best of 3: 347 µs per loop

In [107]: %timeit c = np.array([b,]*100).transpose()
100 loops, best of 3: 5.56 ms per loop

使用广播大约快15倍

你可以使用

np.tile(x,3).reshape((4,3))

Tile将生成向量的代表

重塑会给你想要的形状

Let:

>>> n = 1000
>>> x = np.arange(n)
>>> reps = 10000

零成本分配

视图不占用任何额外的内存。因此，这些声明是瞬时的:

# New axis
x[np.newaxis, ...]

# Broadcast to specific shape
np.broadcast_to(x, (reps, n))

强制分配

如果你想强制内容驻留在内存中:

>>> %timeit np.array(np.broadcast_to(x, (reps, n)))
10.2 ms ± 62.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

>>> %timeit np.repeat(x[np.newaxis, :], reps, axis=0)
9.88 ms ± 52.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

>>> %timeit np.tile(x, (reps, 1))
9.97 ms ± 77.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

这三种方法的速度大致相同。

计算

>>> a = np.arange(reps * n).reshape(reps, n)
>>> x_tiled = np.tile(x, (reps, 1))

>>> %timeit np.broadcast_to(x, (reps, n)) * a
17.1 ms ± 284 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

>>> %timeit x[np.newaxis, :] * a
17.5 ms ± 300 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

>>> %timeit x_tiled * a
17.6 ms ± 240 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

这三种方法的速度大致相同。

结论

如果您希望在计算之前进行复制，请考虑使用“零成本分配”方法之一。你不会遭受“强制分配”的性能损失。

import numpy as np
x=np.array([1,2,3])
y=np.multiply(np.ones((len(x),len(x))),x).T
print(y)

收益率:

[[ 1.  1.  1.]
 [ 2.  2.  2.]
 [ 3.  3.  3.]]

一个干净的解决方案是使用NumPy的外积函数和一个1的向量:

np.outer(np.ones(n), x)

给出n个重复行。切换参数顺序以获得重复列。为了得到相等的行数和列数

np.outer(np.ones_like(x), x)

如果你有一个pandas数据框架，并且想要保存dtypes，甚至是分类，这是一个快速的方法:

import numpy as np
import pandas as pd
df = pd.DataFrame({1: [1, 2, 3], 2: [4, 5, 6]})
number_repeats = 50
new_df = df.reindex(np.tile(df.index, number_repeats))

为了回答实际的问题，现在已经发布了近12种解决方案的方法:x.转置颠倒了x的形状。其中一个有趣的副作用是，如果x.ndim == 1，转置什么也不做。

这对于来自MATLAB的人来说尤其令人困惑，在MATLAB中，所有数组都隐含至少有两个维度。转置1D numpy数组的正确方法不是x.转置()或x.T，而是

x[:, None]

or

x.reshape(-1, 1)

从这里开始，您可以乘以一个1的矩阵，或者使用任何其他建议的方法，只要您尊重MATLAB和numpy之间的(微妙的)差异。

回到最初的问题

在MATLAB或八度音阶中，这很容易做到: X = [1,2,3] A = ones(3,1) * x .．.

在numpy中，这几乎是一样的(也很容易记住):

x = [1, 2, 3]
a = np.tile(x, (3, 1))

另一个解决方案

>> x = np.array([1,2,3])
>> y = x[None, :] * np.ones((3,))[:, None]
>> y
array([[ 1.,  2.,  3.],
       [ 1.,  2.,  3.],
       [ 1.,  2.,  3.]])

为什么?当然，重复和平铺是正确的方法。但是None索引是一个强大的工具，它可以让我多次快速向量化操作(尽管它很快就会非常消耗内存!)

下面是我自己代码中的一个例子:

# trajectory is a sequence of xy coordinates [n_points, 2]
# xy_obstacles is a list of obstacles' xy coordinates [n_obstacles, 2]
# to compute dx, dy distance between every obstacle and every pose in the trajectory
deltas = trajectory[:, None, :2] - xy_obstacles[None, :, :2]
# we can easily convert x-y distance to a norm
distances = np.linalg.norm(deltas, axis=-1)
# distances is now [timesteps, obstacles]. Now we can for example find the closest obstacle at every point in the trajectory by doing
closest_obstacles = np.argmin(distances, axis=1)
# we could also find how safe the trajectory is, by finding the smallest distance over the entire trajectory
danger = np.min(distances)