如何在NumPy中对多特征二维数组与一维标签数组进行配对？

首先要明确：你期望的输出结构中，每个元素包含一个长度为3的数组和一个标量，二者形状不一致，因此无法用常规的数值型NumPy数组存储，必须使用object类型的NumPy数组。

你的临时方案分析 #

np.array(list(zip(inputs, labels)))是可行的，但对于大规模数据，会先将所有元素转换为Python列表对象，存在额外的内存开销和转换成本。

更高效的NumPy原生实现 #

可以直接初始化一个object类型的数组，再分别赋值输入行和标签，避免中间列表的创建：

import numpy as np

inputs = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
labels = np.array([0, 1, 0])

# 创建形状为(n_samples, 2)的object类型空数组
result = np.empty((inputs.shape[0], 2), dtype=object)
# 将输入数组的每一行赋值给第一列
result[:, 0] = inputs
# 将标签赋值给第二列
result[:, 1] = labels

print(result)

输出结果：

[[array([1, 2, 3]) 0]
 [array([4, 5, 6]) 1]
 [array([7, 8, 9]) 0]]

如果希望第一列是Python列表而非NumPy数组，只需将赋值语句改为result[:, 0] = inputs.tolist()即可，输出会变成：

[[[1, 2, 3] 0]
 [[4, 5, 6] 1]
 [[7, 8, 9] 0]]

效率对比 #

对于数据量较大的场景，直接初始化object数组并赋值的方式比zip+list的方法更高效：

• 避免了创建中间Python列表的内存开销
• 直接操作NumPy数组的内存，减少了Python对象和NumPy数组之间的转换成本

内容的提问来源于stack exchange，提问作者wapinto