循环内逐列创建矩阵：np.hstack/empty与np.zeros改列孰更快？

嘿，这个问题问到点子上了！在NumPy里用循环构建矩阵时，预分配内存和动态追加的性能差得可不是一星半点，我给你好好唠唠：

1. 预先分配数组（np.zeros()直接修改列）—— 速度碾压的选择 #

这绝对是你应该优先选的方案，原因很简单：

• 底层原理：NumPy数组是一块连续的内存区域，预分配时就把整个矩阵需要的内存一次性申请好了。后续循环里只是往对应的列位置写入数据，完全没有额外的内存分配和拷贝操作，开销极低。
• 代码示例：

import numpy as np

# 提前确定矩阵的最终形状
n_rows = 500
n_cols = 1000

# 预分配目标形状的数组
result = np.zeros((n_rows, n_cols))

for col_idx in range(n_cols):
    # 模拟生成当前列的数据
    col_data = np.random.randn(n_rows)
    # 直接赋值到对应列，无额外开销
    result[:, col_idx] = col_data

• 性能优势：时间复杂度接近O(n)，循环次数再多，每次操作只是内存写入，速度稳定且极快。我之前用timeit测试过，创建500行1000列的矩阵，这种方式只需要几毫秒。

2. 动态追加（np.empty() + np.hstack()/np.vstack()）—— 尽量避免的坑 #

这种方式的性能问题非常明显，尤其是当矩阵规模变大时：

• 底层原理：每次调用hstack()时，NumPy都需要创建一个全新的数组，把原来的数组和新列的数据全部拷贝到新的内存块里。随着数组越来越大，每次拷贝的数据量也成倍增长，时间复杂度直接变成O(n²)。
• 代码示例：

import numpy as np

n_rows = 500
n_cols = 1000

# 初始化空数组
result = np.empty((n_rows, 0))

for col_idx in range(n_cols):
    col_data = np.random.randn(n_rows, 1)  # 需要转成二维才能hstack
    # 每次都要拷贝整个数组，开销随循环次数剧增
    result = np.hstack((result, col_data))

• 性能问题：还是用刚才的测试场景，这种方式要花几百毫秒甚至更久——列数越多，差距越夸张。比如当列数到10000时，动态追加的时间会是预分配的几十倍甚至上百倍。

额外小技巧：如果不确定最终形状怎么办？ #

要是你实在没法提前知道矩阵的最终列数，可以先把每列的数据存在Python列表里，最后用np.column_stack()一次性合并：

cols_list = []
for col_idx in range(n_cols):
    col_data = np.random.randn(n_rows)
    cols_list.append(col_data)
# 最后一次性合并，只做一次拷贝
result = np.column_stack(cols_list)

这种方式的性能虽然不如预分配，但比循环调用hstack()快很多，因为Python列表的append操作开销极低，最后只需要一次批量拷贝。

总结一下：只要能提前确定矩阵的最终形状，一定要用预分配数组的方式——这是NumPy处理这类问题的最佳实践。

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