MatLab与Python对比：数组向量化及重塑的等效实现

当然可以啦！在Python里，我们用NumPy（数值数组处理的标准库，和MATLAB的数组操作逻辑高度对齐）就能完成完全等效的操作，下面一步步给你说明：

1. 单个64×64数组的列向量化（对应MATLAB的a(:)） #

MATLAB里的a(:)会把矩阵按列优先展开成一维向量，NumPy中对应的操作是reshape(-1, 1, order='F')或者flatten('F')。举个实际例子：

import numpy as np

# 生成三个64×64的示例数组
a = np.random.rand(64, 64)
b = np.random.rand(64, 64)
c = np.random.rand(64, 64)

# 将a按列展开为4096×1的数组（和MATLAB的a(:)完全一致）
a_vec = a.reshape(-1, 1, order='F')
# 也可以用flatten，不过flatten返回的是数组副本，reshape在可能的情况下返回视图，更高效
a_vec_flat = a.flatten('F').reshape(-1, 1)

2. 逐步合并数组（对应MATLAB的X = [X a(:)]） #

如果想要和MATLAB一样逐步构建X数组，可以先初始化一个空的4096行数组，然后用np.hstack()（水平堆叠，对应MATLAB的列合并）依次添加每一列：

# 初始化空数组，形状为(4096, 0)
X = np.empty((4096, 0))

# 依次并入a、b、c的向量化结果
X = np.hstack((X, a.reshape(-1, 1, order='F')))
X = np.hstack((X, b.reshape(-1, 1, order='F')))
X = np.hstack((X, c.reshape(-1, 1, order='F')))

# 最终X的形状是(4096, 3)，和MATLAB操作后的结果完全一致
print(X.shape)  # 输出: (4096, 3)

3. 更高效的一次性合并方式 #

如果不需要逐步构建，直接把所有数组向量化后一次性合并会更简洁高效：

# 批量处理所有数组，一次性完成向量化与合并
X = np.hstack([arr.reshape(-1, 1, order='F') for arr in [a, b, c]])

关键注意事项 #

• 必须指定order='F'：NumPy默认是行优先展开（对应MATLAB中a(:).'的结果），而MATLAB的a(:)是列优先展开，这是两者的核心差异，千万别忘了！
• 如果你的数据是普通Python列表，需要先通过np.array()转换成NumPy数组再进行上述操作。

内容的提问来源于stack exchange，提问作者Gabriel Costa