本文介绍在 Python（numpy）中高效地将两个形状为 (n, 1) 的列向量沿列方向拼接成二维数组的多种方法，重点推荐 np.c_ 索引器，并对比 np.hstack、np.column_stack 等等价方案，附带代码示例与关键注意事项。
本文介绍在 python（numpy）中高效地将两个形状为 (n, 1) 的列向量沿列方向拼接成二维数组的多种方法，重点推荐 `np.c_` 索引器，并对比 `np.hstack`、`np.column_stack` 等等价方案，附带代码示例与关键注意事项。
在 matlab 中，通过 A(:,2) = B 即可直接为矩阵指定列赋值；但在 NumPy 中，由于数组内存布局和广播机制的差异，不能直接对不存在的列索引进行赋值（例如 A[:, 1] = B 会报 IndexError，因为原始 A 只有 1 列）。因此，正确做法是构造一个新数组，将原列向量作为列拼接组合。
最简洁、可读性高且语义清晰的方式是使用 NumPy 的索引器 np.c_（column-wise concatenation）：
import numpy as np A = np.zeros((10, 1)) # 形状: (10, 1) B = np.ones((10, 1)) # 形状: (10, 1) C = np.c_[A, B] # 沿列方向拼接 → 形状: (10, 2) print(C.shape) # 输出: (10, 2) print(C[:3]) # 查看前3行： # [[0. 1.] # [0. 1.] # [0. 1.]]np.c_ 是 np.lib.index_tricks.CClass 的实例，它支持类似 MATLAB 的紧凑语法，自动处理输入的维度对齐：即使输入是 (n,) 一维数组，也会被视作列向量并升维拼接；对 (n, 1) 输入则直接按列堆叠。
除 np.c_ 外，以下方法效果等价，适用于不同偏好或上下文：
-
np.column_stack：专为列拼接设计，语义明确，推荐用于教学或强调意图的场景：
C = np.column_stack((A, B)) # 同样返回 (10, 2) 数组 -
np.hstack：需确保所有输入为二维且行数一致；若 A 和 B 是 (n, 1)，可直接使用：
C = np.hstack((A, B)) # ✅ 安全，因二者均为二维 # ❌ 若 A 为 (n,)，则需先 reshape: np.hstack((A.reshape(-1,1), B)) -
np.concatenate：底层通用接口，需显式指定 axis=1：
C = np.concatenate((A, B), axis=1)
⚠️ 重要注意事项：
- 所有方法均返回新数组，不会原地修改 A 或 B；
- 输入数组的第一维长度（行数）必须严格相等，否则抛出 ValueError；
- 避免使用 np.append(A, B, axis=1) —— 它效率较低（涉及内存拷贝），且语义不如 column_stack 或 c_ 清晰；
- 若需“就地扩展”数组（如动态增长列），NumPy 并不原生支持；此时应预分配足够列数的数组，或改用 pandas.DataFrame。
综上，对于将两个 (n, 1) 列向量合并为 (n, 2) 数组这一典型任务，np.c_[A, B] 是最接近 MATLAB 直觉、代码最简练、且兼具可读性与性能的首选方案。