本文介绍在 Python（NumPy）中高效实现“将列向量 B 拼接为数组 A 的第二列”的多种方法，重点推荐 np.c_ 索引器，并对比 np.hstack、np.column_stack 等方案，兼顾代码简洁性、可读性与内存效率。
本文介绍在 python（numpy）中高效实现“将列向量 b 拼接为数组 a 的第二列”的多种方法，重点推荐 `np.c_` 索引器，并对比 `np.hstack`、`np.column_stack` 等方案，兼顾代码简洁性、可读性与内存效率。
在 MATLAB 中，为数组添加列非常直观：A(:,2) = B 即可将列向量 B 赋值到 A 的第二列。但在 NumPy 中，数组是不可变形状的——你无法直接通过索引扩展维度（如 A[:, 1] = B 会报错 IndexError: index 1 is out of bounds），必须显式构造新数组。因此，核心思路是：水平拼接（column-wise concatenation）两个列向量，生成新的二维数组。
最简洁、语义最清晰的方式是使用 NumPy 的索引器 np.c_：
import numpy as np A = np.zeros((100, 1)) # shape: (100, 1) B = np.ones((100, 1)) # shape: (100, 1) # 将 A 和 B 水平拼接为 (100, 2) 数组 C = np.c_[A, B] print(C.shape) # (100, 2) print(C[:3]) # [[0. 1.], [0. 1.], [0. 1.]]
np.c_ 是一个“列连接”索引器，其行为等价于 np.concatenate([A, B], axis=1)，但语法更紧凑、意图更明确。它会自动广播一维输入（如 (100,)）为列向量，对已为二维的 (N, 1) 输入则直接拼接，鲁棒性强。
其他常用等效方案包括：
-
np.hstack（推荐用于同形数组）：
C = np.hstack([A, B]) # 要求所有输入至少为2D且行数一致
-
np.column_stack（更语义化，自动处理1D输入）：
C = np.column_stack([A, B]) # 可接受 (N,) 或 (N,1) 输入
⚠️ 注意事项：
- 若 A 原为 (100,) 一维数组，np.c_ 和 np.column_stack 会将其视为列向量；而 np.hstack 要求显式重塑：A.reshape(-1, 1)。
- 不要尝试 A[:, 1] = B 或 A = np.insert(A, 1, B, axis=1) —— 前者越界，后者创建副本且效率较低（insert 涉及内存复制和重排）。
- 所有上述方法均返回新数组，原数组 A 和 B 不变，符合 NumPy 的函数式设计哲学。
总结：对于“将列向量 B 作为第二列加入 A”这一典型任务，优先使用 np.c_[A, B] —— 它代码简短、意图直白、性能优异，且能自然兼容各种输入形状，是 NumPy 中列拼接的惯用范式。
