如何快速将二维NumPy数组与一维NumPy数组合并为指定结构的数组？

嘿，这个需求我熟！要把二维NumPy数组的每一行和一维数组的对应元素配对成你要的那种结构，最快的方式肯定是用NumPy原生的向量化操作，别用循环或者列表推导——大数据量下慢得离谱。

先明确下输入情况：假设A是形状为(N, M)的二维NumPy数组（比如你例子里M=3），B是形状为(N,)的一维NumPy数组，目标是生成C，其中每个元素都是[A的第i行, B的第i个元素]。

最快的NumPy向量化实现 #

如果希望结果是NumPy数组类型，直接用stack结合维度扩展就能搞定，完全不用循环：

import numpy as np

# 先拿你的示例数据试试
A = np.array([[1, 3, 6], [2, 2, 5]])
B = np.array([2, 6])

# 把B扩展成二维数组（形状从(N,)变成(N,1)），然后和A在第1个轴上堆叠
C = np.stack([A, B[:, np.newaxis]], axis=1)

# 看看结果
print(C[0])  # 输出: array([[1, 3, 6], [2]])
print(C[1])  # 输出: array([[2, 2, 5], [6]])

这样得到的C是NumPy数组，形状为(N, 2)，每个位置的元素正好对应你要的结构，而且完全是向量化操作，速度拉满。

要是需要严格的混合结构（数组+标量） #

如果你希望每个元素里的第二个值是纯标量，而不是长度为1的数组，可以用NumPy的结构化数组，它能存储不同类型/维度的元素，同时保持NumPy的高效性：

# 定义结构化数据类型：第一个字段是3个整数的数组，第二个是单个整数
dtype = [('row_from_A', np.int32, 3), ('val_from_B', np.int32)]
C = np.empty(len(A), dtype=dtype)

# 批量赋值，比循环快多了
C['row_from_A'] = A
C['val_from_B'] = B

# 访问起来也很方便
print(C[0])  # 输出: ([1, 3, 6], 2)
print(C[0]['row_from_A'])  # 输出: [1 3 6]
print(C[0]['val_from_B'])  # 输出: 2

小数据量图省事的方法 #

如果数据量很小，不用追求极致性能，列表推导也能快速搞定，写法简单直观：

C = [[A[i], B[i]] for i in range(len(A))]
print(C)  # 输出: [[array([1, 3, 6]), 2], [array([2, 2, 5]), 6]]

但注意哦，数据量大的时候这种Python级别的循环会比NumPy向量化操作慢很多，谨慎使用。

备注：内容来源于stack exchange，提问作者Geremia