这可能是一个相对较新的功能，但我喜欢：

A.dot(B).dot(C)

字符串
或者如果你有一个长链，你可以这样做：

reduce(numpy.dot, [A1, A2, ..., An])

型
更新：
这里有更多关于reduce的信息。这里有一个例子可能会有帮助。

>>> A = [np.random.random((5, 5)) for i in xrange(4)]
>>> product1 = A[0].dot(A[1]).dot(A[2]).dot(A[3])
>>> product2 = reduce(numpy.dot, A)
>>> numpy.all(product1 == product2)
True

型
2016年更新：从python 3.5开始，有一个新的matrix_multiply符号，@：

R = A @ B @ C

型

更新一个老问题：
从November 13, 2014开始，现在有一个np.linalg.multi_dot函数可以完全满足你的需要，它还可以优化调用顺序，尽管在你的情况下这不是必需的。
请注意，这从numpy 1.10版本开始可用。

如果你事先计算所有的矩阵，那么你应该使用一个优化方案来进行矩阵链乘法。参见this Wikipedia article。

另一种方法是使用einsum，它为NumPy实现了Einstein summation convention。
简单地解释一下这个问题的约定：当你把你的多矩阵乘积写成一个大的乘积和时，你会得到这样的结果：

P_im = sum_j sum_k sum_l A1_ij A2_jk A3_kl A4_lm

字符串
其中P是乘积的结果，A1、A2、A3和A4是输入矩阵。请注意，您对在被加数中出现两次的索引进行求和，即j、k和l。由于具有此属性的和经常出现在物理学中，向量微积分，可能还有其他一些字段，有一个NumPy工具，即einsum。
在上面的例子中，你可以用它来计算你的矩阵乘积，如下所示：

P = np.einsum( "ij,jk,kl,lm", A1, A2, A3, A4 )

型
这里，第一个参数告诉函数哪些索引应用于参数矩阵，然后对所有双重出现的索引求和，产生所需的结果。
请注意，计算效率取决于几个因素（所以你可能最好只测试它）：

• Why is numpy's einsum slower than numpy's built-in functions?的
• Why is numpy's einsum faster than numpy's built in functions?的

A_list = [np.random.randn(100, 100) for i in xrange(10)]
B = np.eye(A_list[0].shape[0])
for A in A_list:
    B = np.dot(B, A)

C = reduce(np.dot, A_list)

assert(B == C)

字符串

这在VS代码中适用于两个矩阵

import numpy as np #
def matrix_multiply(matrix1, matrix2):

    print(f"Matrix A:\n {A}\n")#Print the Matrix contents
    print(f"Matrix B:\n {B}\n")

    if  A.shape[1] == B.shape[0]:#Check if matrices can be multiplied
        C = np.matmul(A,B) #Use matmul to multiply the matrices
        return C #Return the resulting matrix
    else:
        return "Sorry, cannot multiply A and B."#Error catching
# Use np to generate dataset
np.random.seed(27)
A = np.random.randint(1,10,size = (5,4))
B = np.random.randint(1,10,size = (4,2)) 

# Testing the function
result= matrix_multiply(A,B) #Call matrix_multiply to find answer
print(result)

#References:
#https://geekflare.com/multiply-matrices-in-python/#geekflare-toc-use-python-nested-list-comprehension-to-multiply-matrices
#https://www.anaconda.com/download
#Launch VS Code from Anaconda

字符串