Python中用np.append将二维NumPy数组拼接为三维滑动窗口结构时结果异常扁平的问题

错误根因定位 #

• 最核心的bug来自np.append的默认行为：这个函数和Python原生列表的append逻辑完全不同，默认参数axis=None时，会把输入的两个数组全部扁平化，再按一维数组拼接。哪怕你初始化的trainX是三维空数组、切出来的row_X是标准的(3,17)二维窗口，经过np.append处理后所有维度都会被抹掉，变成连续的一维数值堆，自然拿不到你要的三维结构。
• 附带的逻辑疏漏：你写的循环范围range(0, len(data)-batch_size)会漏掉最后一个合法的滑动窗口，就算拼接逻辑没错，最终生成的窗口数量也会比预期少1个。

正确实现方式 #

推荐方案：使用NumPy内置零拷贝滑动窗口API #

NumPy 1.20及以上版本提供sliding_window_view专门实现滑动窗口逻辑，无冗余数据拷贝，性能最优：

data = loadtxt('./training_data/set_0.csv', delimiter=';')
batch_size = 3
features = 17

# 沿行方向（axis=0）生成窗口大小为batch_size的滑动窗口
windows = np.lib.stride_tricks.sliding_window_view(data, window_shape=batch_size, axis=0)
# 截取前features列，调整维度顺序匹配目标结构
trainX = windows[:, :features, :].transpose(0, 2, 1)

最终生成的trainX形状为(len(data)-batch_size+1, batch_size, features)，取第一个元素trainX[0]的形状正好是(batch_size, features)，完全匹配你预期的结构。

兼容旧版NumPy的循环实现 #

如果无法使用内置滑动窗口API，建议不要在循环中反复调用数组拼接方法，先用列表缓存所有窗口、最后一次性转成NumPy数组，避免频繁内存拷贝带来的性能损耗：

window_cache = []
# 循环范围覆盖所有可生成的滑动窗口
for i in range(len(data) - batch_size + 1):
    # 切片取对应窗口、截取需要的特征列
    single_window = data[i:i+batch_size, 0:features]
    window_cache.append(single_window)
# 列表转三维NumPy数组
trainX = np.array(window_cache)

补个坑：就算你给np.append加了axis=0参数，直接把(3,17)的row_X往形状为(0,3,17)的trainX上拼，也会直接报维度不匹配的错——因为row_X少了最外层的批次维度，根本没法和三维数组对齐。这种循环拼接的写法不管怎么调，都不如列表缓存完一次性转数组的效率高，没必要在这上面浪费时间。

内容的提问来源于stack exchange，提问作者Curunir