如何在不使用numpy.tile的情况下实现高效数组水平拼接？

你担心np.tile导致内存暴涨的顾虑完全正确——处理大型数组时，复制操作的内存开销会随数组规模线性增长，就像你给出的例子里，原本只有4KB的arr2，复制32次后直接占用128KB，这在数据量更大时绝对会成为性能瓶颈。

用广播视图实现无复制拼接 #

我们可以利用numpy的广播机制，创建arr2的视图（完全不复制原数据）来匹配arr1的行数，再进行拼接。这样全程不会额外复制arr2的内容，内存占用和原数组几乎一致：

import numpy as np

# 初始化示例数组
arr1 = np.arange(32*512).reshape(32, 512)
arr2 = np.arange(512).reshape(1, 512)

# 创建arr2的广播视图，维度匹配arr1的行数（无数据复制）
arr2_view = np.broadcast_to(arr2, arr1.shape)
# 水平拼接
result = np.hstack([arr1, arr2_view])

print(result.shape)  # 输出：(32, 1024)
# 验证内存：视图的字节数和原arr2完全相同，说明没有复制
print(arr2_view.nbytes)  # 输出：4096，和arr2.nbytes一致

为什么这能省内存？ #

np.broadcast_to不会复制原数组的任何数据，它只是生成一个新的数组对象，指向原arr2的内存块，同时调整维度信息让它“看起来”和arr1的行数一致。拼接时numpy直接使用这个视图参与运算，完全跳过了np.tile那种批量复制的步骤，内存峰值直接减少了中间复制数组的占用。

更简洁的写法 #

如果你想少写一行代码，也可以直接用np.concatenate结合广播逻辑，效果完全一样：

result = np.concatenate([arr1, np.broadcast_to(arr2, arr1.shape)], axis=1)

内容的提问来源于stack exchange，提问作者kmario23