你现在可能已经弄明白了，但是你必须使用@运算符来进行numpy中的矩阵乘法。运算符 * 用于逐元素乘法。所以呢

corl = gaid @ S @ gaid

给出了你正在寻找的答案。

这只是为了将来，如果其他人想要一个完整的答案，从相关性转换到协方差，以及所问的问题，从协方差转换到相关性。让我们使用下面的一些测试数据：

import numpy as np

# the correlation matrix
r = np.array([
      [1, -0.48, -0.42, -0.31, -0.37], 
      [-0.48, 1, 0.42, 0.55, 0.61],
      [-0.42, 0.42, 1, 0.35, 0.45],
      [-0.31, 0.55, 0.35, 1, 0.55],
      [-0.37, 0.61, 0.45, 0.55, 1]
      ])

# the std deviations
stdev = np.array([[1.86, 1.81, 0.87, 3.28, 4.18]])

以下函数将相关矩阵转换为协方差矩阵：

# cor to cov
def cor2cov(c, s):
    """
    Return a covariance matrix given a correlation matrix 
    and standard deviations.
    : c = covariance matrix
    : s = standard deviation
    """
    D = np.diag(s)
    return D * c * D
    
a = cor2cov(c=r, s=stdev)
print(a)

下面的函数将协方差矩阵转换为相关矩阵

# cov to cor
def cov2cor(c):
    """
    Return a correlation matrix given a covariance matrix. 
    : c = covariance matrix
    """
    D = 1 / np.sqrt(np.diag(c)) # takes the inverse of sqrt of diag.
    return D * c * D

# print(cov2cor(a))
print(cov2cor(c=a))