如何以最高效方式实现numpy数组的push并shift操作？

这是个非常典型的滑动窗口类操作，在Numpy里想要追求极致效率，核心思路就是尽量避免不必要的数组复制——毕竟大数组的复制操作会吃掉大量内存和计算资源。下面分两种场景给出最优方案：

场景1：允许修改原数组（最优效率） #

如果不需要保留原数组的数据，直接在原数组上做原地移位+赋值是最高效的方式，全程没有额外内存分配，都是对原数组的视图操作：

import numpy as np

# 示例初始化：原数组形状(n,4)
arr = np.random.rand(5, 4)  # 这里n=5，你可以替换成自己的数组
x = np.array([1, 2, 3, 4])

# 核心两步操作
arr[:-1] = arr[1:]  # 把数组从第二行开始的所有元素，整体前移一行
arr[-1] = x         # 将x赋值到数组的最后一行

为什么这是最高效的？ #

arr[:-1]和arr[1:]都是原数组的视图（不是新数组），所以这个赋值操作是直接在原内存块上修改数据，没有任何额外的数组复制开销，时间复杂度是O(n)但常数项极低。

场景2：需要保留原数组（效率稍低但简洁） #

如果必须保留原数组，那就只能通过切片拼接生成新数组。虽然会涉及数据复制，但代码依然很简洁：

# 方法1：用vstack拼接
new_arr = np.vstack([arr[1:], x.reshape(1, 4)])

# 方法2：用concatenate（更灵活，适合多维度场景）
new_arr = np.concatenate([arr[1:], x[None, :]], axis=0)

小细节说明 #

• x.reshape(1,4)或者x[None,:]都是为了把x从形状(4)转换成(1,4)，保证和arr[1:]（形状(n-1,4)）的维度匹配，才能完成纵向拼接。
• 这种方法的时间复杂度也是O(n)，但因为需要复制整个n-1行的数据，所以内存开销和耗时会比原地修改高一些，适合数据量不大或者必须保留原数据的场景。

注意事项 #

• 一定要确保x的长度是4，和原数组的列数完全一致，否则会抛出维度不匹配的错误。
• 如果你的数组是通过np.asarray从列表转换来的，或者是只读数组（比如内存映射文件），那原地修改的方法会失效，只能用拼接方案。

内容的提问来源于stack exchange，提问作者user637140