本文介绍一种简洁、可读性强的方法，利用 `np.dstack` 与 `reshape` 组合，将四个等长一维时间序列快速堆叠为形状为 `(n, 2, 2)` 的三维数组，每个切片对应一个随时间变化的 2×2 矩阵。
在科学计算与信号处理中，常需将多个同步采样的标量时间序列（如状态变量 A、B、C、D）组织为“时变矩阵”结构——即对每个时间步 t，构造一个 2×2 矩阵 [[A[t], B[t]], [C[t], D[t]]]，最终得到形状为 (N, 2, 2) 的三维数组。传统方法（如多次 reshape + concatenate）逻辑嵌套深、可读性差，且易出错。
更优雅的解决方案是借助 np.dstack ——它沿第三轴（axis=2） 堆叠数组，将输入的 (N,) 向量自动广播为 (1, N, 1) 形状后拼接，生成中间数组 (1, N, 4)；再通过一次 reshape(N, 2, 2) 即可完成布局重排：
import numpy as np
N = 100
A = np.ones(N) * 1
B = np.ones(N) * 2
C = np.ones(N) * 3
D = np.ones(N) * 4
# ✅ 推荐写法：一行搞定，语义清晰
ABCD = np.dstack([A, B, C, D]).reshape(N, 2, 2)
print(ABCD.shape) # (100, 2, 2)
print(ABCD[0]) # [[1. 2.]
# [3. 4.]]⚠️ 注意事项：
- np.dstack 要求所有输入数组具有相同维度数和除 axis=2 外的其他维度一致。由于 A, B, C, D 均为一维 (N,)，dstack 会自动将其视作 (1, N) 并沿深度方向堆叠，最终等效于 (1, N, 4)；
- reshape(N, 2, 2) 成功的前提是总元素数匹配：N × 4 == N × 2 × 2，恒成立；
- 若需自定义矩阵布局（如 [[A,B],[C,D]] → [[A,C],[B,D]]），应改用 np.stack 配合转置，例如：
ABCD_custom = np.stack([A, C, B, D], axis=1).reshape(N, 2, 2)
该方法不仅代码简洁、性能优异（避免多次内存拷贝），更重要的是语义直观：dstack 表达“按列合并四组数据”，reshape 明确声明目标结构，大幅提升了可维护性与协作效率。
