本文介绍一种简洁、可读性强的方法，利用 `np.dstack` 与 `reshape` 将四个等长一维数组（代表随时间变化的 2×2 矩阵元素）直接组合成形状为 `(n, 2, 2)` 的三维数组，避免多层 `concatenate` 和冗余 reshape。
在时间序列建模、状态空间表示或批量矩阵运算中，我们常需将多个标量时间序列（如矩阵的各个元素）组织为“时间 × 行 × 列”的三维结构。例如，给定四组长度为 N 的一维数组 A, B, C, D，分别对应每个时刻的 2×2 矩阵 [[A[t], B[t]], [C[t], D[t]]]，目标是构造一个形状为 (N, 2, 2) 的三维 NumPy 数组。
传统方法（如问题中所示）通过多次 reshape 和 concatenate 实现，逻辑嵌套深、可读性差，且易出错。更优雅的解法是：先沿深度轴堆叠为 (1, N, 4)，再重排为 (N, 2, 2)。
核心代码仅需一行：
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：简洁、直观、高效 ABCD = np.dstack([A, B, C, D]).reshape(N, 2, 2)
其中：
- np.dstack([A, B, C, D]) 将四个 (N,) 数组沿第 2 轴（即“深度”轴）堆叠，得到形状为 (1, N, 4) 的三维数组（注意：dstack 会自动在前两维补 1，因输入是一维）；
- .reshape(N, 2, 2) 将最后的 4 个元素按行优先（C-order）展开为 2×2 子矩阵，恰好满足 [[A[t], B[t]], [C[t], D[t]]] 的布局。
✅ 验证结果：
print(ABCD.shape) # (100, 2, 2)
print(ABCD[0]) # [[1. 2.]
# [3. 4.]]⚠️ 注意事项：
- 此方法依赖于 reshape 的默认 C-order（行优先）。若需列优先（如 Fortran 风格），应改用 order='F'，但此时需调整堆叠顺序（如 [A, C, B, D]），一般不推荐；
- 所有输入数组必须长度一致（len(A) == len(B) == ... == N），否则 dstack 会报错；
- 若后续需对每个 2×2 矩阵执行向量化运算（如求逆、特征值），可结合 np.linalg 的批量函数（如 np.linalg.inv(ABCD)），前提是 NumPy ≥ 1.8。
总结：相比多步拼接，dstack + reshape 是语义清晰、性能优异的标准做法——它将“构造时间维度上的矩阵序列”这一高层意图，直接映射为两步明确的数组操作，显著提升代码可维护性与可理解性。
