如你所示的正规乘法：

>>> import numpy as np
>>> m = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> c = np.array([0,1,2])
>>> m * c
array([[ 0,  2,  6],
       [ 0,  5, 12],
       [ 0,  8, 18]])

如果添加一个轴，它将以您想要的方式倍增：

>>> m * c[:, np.newaxis]
array([[ 0,  0,  0],
       [ 4,  5,  6],
       [14, 16, 18]])

您也可以转置两次：

>>> (m.T * c).T
array([[ 0,  0,  0],
       [ 4,  5,  6],
       [14, 16, 18]])

我比较了不同选项的速度，发现所有选项（除了diag）的速度都一样快，这让我很惊讶。

A * b[:, None]

(or (A.T * b).T），因为它很短。

用于重现绘图的代码：

import numpy
import perfplot

def newaxis(data):
    A, b = data
    return A * b[:, numpy.newaxis]

def none(data):
    A, b = data
    return A * b[:, None]

def double_transpose(data):
    A, b = data
    return (A.T * b).T

def double_transpose_contiguous(data):
    A, b = data
    return numpy.ascontiguousarray((A.T * b).T)

def diag_dot(data):
    A, b = data
    return numpy.dot(numpy.diag(b), A)

def einsum(data):
    A, b = data
    return numpy.einsum("ij,i->ij", A, b)

perfplot.save(
    "p.png",
    setup=lambda n: (numpy.random.rand(n, n), numpy.random.rand(n)),
    kernels=[
        newaxis,
        none,
        double_transpose,
        double_transpose_contiguous,
        diag_dot,
        einsum,
    ],
    n_range=[2 ** k for k in range(13)],
    xlabel="len(A), len(b)",
)

您还可以使用矩阵乘法（又名点积）：

a = [[1,2,3],[4,5,6],[7,8,9]]
b = [0,1,2]
c = numpy.diag(b)

numpy.dot(c,a)

哪个更优雅可能是品味的问题。

还有一个技巧（从v1.6开始）

A=np.arange(1,10).reshape(3,3)
b=np.arange(3)

np.einsum('ij,i->ij',A,b)

我对numpy broadcasting（newaxis）很精通，但是我仍然在摸索这个新的einsum工具，所以我不得不尝试一下来找到这个解决方案。
计时（使用Ipython timeit）：

einsum: 4.9 micro
transpose: 8.1 micro
newaxis: 8.35 micro
dot-diag: 10.5 micro

顺便说一句，把i改成j，np.einsum('ij,j->ij',A,b)，会产生亚历克斯不想要的矩阵，而np.einsum('ji,j->ji',A,b)实际上是双重转置。

对于那些在谷歌上迷失的灵魂，使用numpy.expand_dims然后numpy.repeat将工作，也将工作在更高维度的情况下（即乘以形状（10，12，3）与（10，12））。

>>> import numpy
>>> a = numpy.array([[1,2,3],[4,5,6],[7,8,9]])
>>> b = numpy.array([0,1,2])
>>> b0 = numpy.expand_dims(b, axis = 0)
>>> b0 = numpy.repeat(b0, a.shape[0], axis = 0)
>>> b1 = numpy.expand_dims(b, axis = 1)
>>> b1 = numpy.repeat(b1, a.shape[1], axis = 1)
>>> a*b0
array([[ 0,  2,  6],
   [ 0,  5, 12],
   [ 0,  8, 18]])
>>> a*b1
array([[ 0,  0,  0],
   [ 4,  5,  6],
   [14, 16, 18]])

你需要将行数组转换成列数组，而transpose不能做到这一点。请改用reshape：

>>> import numpy as np
>>> a = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> b = np.array([0,1,2])
>>> a * b
array([[ 0,  2,  6],
       [ 0,  5, 12],
       [ 0,  8, 18]])

使用整形：

>>> a * b.reshape(-1,1)
array([[ 0,  0,  0],
       [ 4,  5,  6],
       [14, 16, 18]])

你为什么不

>>> m = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> c = np.array([0,1,2])
>>> (m.T * c).T

？？