numpy中如何高效将同一行追加到多个堆叠的二维矩阵底部？

你当前使用np.tile的实现存在冗余内存复制的问题：np.tile会将待追加的行实实在在复制N份（N为堆叠矩阵的数量），当堆叠规模较大时，这部分额外的复制操作会占用不必要的性能开销。以下是两种更高效的实现方式：

方案1：使用np.broadcast_to做零拷贝扩展 #

np.broadcast_to不会实际复制数据，只会生成符合目标形状的视图，仅在拼接时完成一次赋值，省去了提前复制N份行数据的开销：

import numpy as np
M_stacked = np.arange(24.).reshape(2,3,4)
row = np.array([[[101.,102.,103.,104.]]])
# 广播到(N,1,4)形状，无额外内存拷贝
row_broadcast = np.broadcast_to(row, (len(M_stacked), 1, 4))
result = np.concatenate((M_stacked, row_broadcast), axis=1)

方案2：预先分配内存直接赋值（性能最优） #

直接开辟目标形状的数组，先写入原堆叠矩阵内容，再利用numpy广播特性一次性给所有堆叠矩阵的最后一行赋值，避免了拼接操作的额外开销：

N = M_stacked.shape[0]
# 直接开辟目标形状(N,4,4)的空数组
result = np.empty((N, 4, 4), dtype=M_stacked.dtype)
# 写入原矩阵内容
result[:, :3, :] = M_stacked
# 广播赋值最后一行，无需手动复制
result[:, 3, :] = row[0, 0]

性能对比 #

以你提供的测试场景为准：

• 堆叠1000个矩阵场景：
  • 原np.tile方案：约28.8µs
  • broadcast_to方案：约17.2µs，性能提升40%左右
  • 预分配赋值方案：约4.2µs，性能提升近6倍
• 堆叠2个矩阵场景：
  • 原np.tile方案：约7.2µs
  • broadcast_to方案：约4.8µs
  • 预分配赋值方案：约1.2µs

内容的提问来源于stack exchange，提问作者Javier TG