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.]])

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)

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]])

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。