expected_returns_annual
Out[54]: 
           ticker
adj_close  CNP       0.091859
           F        -0.007358
           GE        0.095399
           TSLA      0.204873
           WMT      -0.000943
dtype: float64

type(expected_returns_annual)
Out[55]: pandas.core.series.Series



weights = np.random.random(num_assets)
weights /= np.sum(weights)
returns = np.dot(expected_returns_annual, weights)

returns = np.dot(expected_returns_annual, weights)

returns = np.dot(expected_returns_annual, weights.T)

weights.shape
Out[58]: (5,)
weights.T.shape
Out[59]: (5,)

的语义np.dot不是很好

正如多米尼克·保罗（Dominique
Paul）所指出的那样，np.dot根据输入的形状，它们的行为非常不同。正如OP在他的问题中指出的那样，给人带来的困惑是，它weights是一维数组，np.array_equal(weights, weights.T)即True（array_equal测试值和形状是否相等）。

建议：使用np.matmul或同等@替代

如果您是刚开始使用Numpy的人，我对您的建议是np.dot完全放弃。根本不要在代码中使用它。而是使用np.matmul或等效运算符@。的行为@比的行为更可预测np.dot，同时仍易于使用。例如，对于1D代码中的两个数组，您将获得相同的点积，如下所示：

returns = expected_returns_annual @ weights

您可以向自己证明，它给出的答案np.dot与此相同assert：

assert expected_returns_annual @ weights == expected_returns_annual.dot(weights)

从概念上讲，@通过将两个1D数组提升为适当的2D数组来处理这种情况（尽管实现不一定要这样做）。例如，如果您具有xwith(N,)和yshape
(M,)，则如果使用，则会x @ y将形状提升为：

x.shape == (1, N)
y.shape == (M, 1)

matmul/的完整行为@

这是文档关于matmul/@和输入/输出形状的说明：

• 如果两个参数都是二维的，它们将像常规矩阵一样相乘。
• 如果任一自变量的值为ND，N> 2，则将其视为驻留在最后两个索引中的矩阵的堆栈，并进行相应广播。
• 如果第一个参数是1-D，则通过在其尺寸前面加1来将其提升为矩阵。矩阵相乘后，除去前面的1。
• 如果第二个参数是1-D，则通过在其维数后附加1来将其提升为矩阵。矩阵相乘后，将附加的1删除。
  
  

注意：使用@over的参数dot

作为hpaulj的评论，指出np.array_equal(x.dot(y), x @ y)所有x和y那些1D或2D阵列。那么，为什么我（以及您为什么要）更喜欢@？我认为使用的最佳论据@是它有助于以小而有意义的方式改进您的代码：

• @明确地是矩阵乘法运算符。x @ y如果y是标量，将产生错误，而dot将假设您实际上只是想要元素乘法。这可能会导致难以定位的错误，在该错误中dot默默地返回垃圾结果（我亲自遇到了该错误）。因此，@允许您明确说明自己对代码行行为的意图。

• 因为@是运算符，所以它具有一些不错的简短语法，用于将各种序列类型强制转换为数组，而不必显式转换它们。例如，[0,1,2] @ np.arange(3)有效语法。

  • 公平地说，虽然[0,1,2].dot(arr)显然无效，np.dot([0,1,2], arr)但是有效（尽管比使用更加冗长@）。
  • 当确实需要扩展代码以处理许多矩阵乘法而不是仅处理一次时，这种ND情况@在概念上是小写的简单直观的泛化/向量化D。