本文介绍如何在 Python（NumPy）中将两个形状为 (n, 1) 的列向量合并为一个 (n, 2) 的二维数组，涵盖 np.c_、np.column_stack 和 np.hstack 等高效、安全的实现方式，并对比适用场景与常见误区。
本文介绍如何在 python（numpy）中将两个形状为 (n, 1) 的列向量合并为一个 (n, 2) 的二维数组，涵盖 `np.c_`、`np.column_stack` 和 `np.hstack` 等高效、安全的实现方式，并对比适用场景与常见误区。
在 MATLAB 中，通过 A(:,2) = B 即可直接为二维数组新增或赋值列，但在 NumPy 中，数组是不可变形状的——你无法像 MATLAB 那样对不存在的列进行原地赋值（例如 A[:, 1] = B 会触发 IndexError，因为初始 A.shape == (100, 1)，列索引 1 超出范围）。因此，正确做法是构造新数组，将原有列与目标列按列拼接。
最简洁、语义清晰的方式是使用 np.c_（column concatenator），它是 NumPy 提供的索引式拼接工具，专为列合并设计：
import numpy as np A = np.zeros((100, 1)) # shape: (100, 1) B = np.ones((100, 1)) # shape: (100, 1) C = np.c_[A, B] # 拼接为 (100, 2) 数组 print(C.shape) # 输出: (100, 2) print(C[:3]) # 查看前3行：[[0. 1.], [0. 1.], [0. 1.]]
np.c_ 的本质是 np.concatenate(..., axis=1) 的语法糖，但更直观且自动处理维度兼容性。它要求输入均为二维数组（如 (n, 1)），若 B 是一维数组（如 shape=(100,)），需先升维：
B_1d = np.ones(100) # shape: (100,) C_alt = np.c_[A, B_1d.reshape(-1, 1)] # 安全升维 # 或更推荐：使用 column_stack（自动适配1D/2D输入） C_safe = np.column_stack([A, B_1d]) # ✅ 推荐用于混合维度场景
其他等效方法包括：
- np.hstack([A, B])：适用于所有输入均为二维时，语义为“水平堆叠”；
- np.concatenate([A, B], axis=1)：底层通用接口，性能最优，但需确保 axis=1 且所有数组列数一致；
- np.stack([A.ravel(), B.ravel()], axis=1)：仅当需从一维重建列时使用，不推荐用于已有 (n,1) 形状。
⚠️ 注意事项：
- ❌ 避免 A[:, 1] = B：A 初始只有 1 列，索引 1 无效；
- ❌ 避免 np.append(A, B, axis=1)：虽能运行，但效率低（返回副本且不推荐用于结构化拼接）；
- ✅ 始终验证形状：assert A.shape[0] == B.shape[0]，防止运行时维度错位；
- ✅ 若需原地扩展（如内存敏感场景），应预先初始化目标数组：C = np.empty((100, 2)); C[:, 0] = A.ravel(); C[:, 1] = B.ravel()。
综上，对于大多数情况，np.c_ 是最接近 MATLAB 直觉、代码可读性最强的选择；而 np.column_stack 在处理混合维度（如 (n,1) 与 (n,)）时更具鲁棒性。掌握这些方法，即可高效完成列级数组构造任务。
