如何利用Numpy高效合并两个N×N数组为含对应元组的数组？

给定两个维度均为N×N的数组A和B，需要生成一个新的N×N数组，其中每个元素是(A_ij, B_ij)类型的元组（或列表）。

目前通过逐元素遍历的方式实现，代码如下：

def recombine(A,B):
    NewArray=[]
    for i in range(len(A)):
        NewArray.append([])
        for j in range(len(B)):
            NewArray[i].append(A[i][j],B[i][j])
    return NewArray

但该算法内存消耗较大，希望了解更高效的实现方式，尤其是借助Numpy数组的实现方案。

示例（基于普通列表）：

A=[[1,2],[3,4]]
B=[[10,20],[30,40]]

# 期望输出：
[[(1,10),(2,20)],[(3,30),(4,40)]]

一、普通列表的优化 #

原嵌套循环可以用更简洁的方式改写，提升执行效率并降低内存开销：

列表推导式版本 #

def recombine(A, B):
    return [[(A[i][j], B[i][j]) for j in range(len(A[i]))] for i in range(len(A))]

zip配对版本（更简洁高效） #

利用zip逐行配对A和B的元素，避免手动索引遍历：

def recombine(A, B):
    return [list(zip(row_a, row_b)) for row_a, row_b in zip(A, B)]

注：zip返回的迭代器会自动将每行对应元素打包成元组，转成列表后直接符合目标格式。

二、Numpy数组的高效实现 #

Numpy的向量操作无需手动遍历，性能和内存效率远优于纯Python循环，以下是两种常用方案：

方案1：三维拼接+格式转换 #

将两个数组在第三维度拼接，再转换为列表格式：

import numpy as np

A = np.array([[1,2],[3,4]])
B = np.array([[10,20],[30,40]])

# 拼接成形状为(N, N, 2)的数组
combined = np.stack([A, B], axis=2)
# 转换为列表形式，每个元素为列表
result = combined.tolist()
# 若需要元组，再做一层转换
result = [[tuple(item) for item in row] for row in result]

输出结果与示例完全一致：[[(1, 10), (2, 20)], [(3, 30), (4, 40)]]

方案2：结构化数组（Numpy原生元组支持） #

如果需要在Numpy数组框架内直接操作元组类型元素，可以创建结构化数组：

import numpy as np

A = np.array([[1,2],[3,4]])
B = np.array([[10,20],[30,40]])

# 定义包含两个字段的结构化数据类型
dtype = [('val_a', A.dtype), ('val_b', B.dtype)]
# 创建空的结构化数组
result = np.empty(A.shape, dtype=dtype)
# 赋值
result['val_a'] = A
result['val_b'] = B

此时访问result[0][0]会返回(1, 10)，这种方式完全利用Numpy的内存布局，适合大规模数据处理，内存消耗最低。

内容的提问来源于stack exchange，提问作者delta_omega