NumPy中对应子数组追加合并：最快实现方法

数据老陈

2026-7-21

最快实现方式推荐

针对百万次执行的需求，使用Numba JIT编译循环是最优方案，相比纯Python列表推导或numpy内置函数，能大幅提升执行速度。以下是具体实现：

1. 核心实现代码

import numpy as np
import numba as nb

@nb.njit
def concat_obj_arrays(arr1, arr2):
    # 预分配结果数组，避免动态扩容开销
    result = np.empty(arr1.shape, dtype=object)
    for i in range(arr1.shape[0]):
        # 合并对应位置的子数组
        result[i] = np.concatenate((arr1[i], arr2[i]))
    return result

# 示例输入
array1 = np.array([np.array([1, 2, 3]), np.array([4, 5, 6]), np.array([7, 8, 9])], dtype=object)
array2 = np.array([np.array([9, 8]), np.array([0]), np.array([12])], dtype=object)

# 生成结果
array_final = concat_obj_arrays(array1, array2)

2. 为什么这个方案最快？

Numba JIT编译：将Python循环转换为机器码执行，消除了纯Python循环的解释器开销，百万次重复执行时优势极其明显。
预分配内存：提前创建结果数组result，避免动态添加元素带来的内存重新分配开销。
使用np.concatenate：相比np.append，concatenate直接合并数组，无需额外的数组复制操作，效率更高。

3. 对比其他方案的劣势

纯列表推导式：
```
array_final = np.array([np.concatenate((a, b)) for a, b in zip(array1, array2)], dtype=object)
```
每次执行都要经历Python循环的解释器开销，百万次执行时速度远慢于Numba方案。
np.vectorize：本质是Python循环的封装，并没有真正实现向量化加速，效率和列表推导式接近，甚至更差。