应先收集所有小数组到列表再一次性拼接，避免逐次调用np.concatenate导致o(n²)内存拷贝；推荐用list.append后单次np.concatenate，或内存受限时用np.memmap预分配。
直接用 np.concatenate 逐个拼接数万个数组，内存和速度都会崩——这不是写法问题，是设计误用。
为什么 np.concatenate 在小数组批量拼接时很慢？
每次调用 np.concatenate 都会分配新内存、复制全部已有数据。假设有 10,000 个长度为 32 的 float32 数组，逐次拼接会产生约 O(n²) 级别的内存拷贝量，实际耗时可能比预期高 10–100 倍。
- 底层不复用缓冲区，每次都是“读旧 → 分配新 → 写入”三步全走
- Python 层循环调用开销叠加（尤其在 CPython 中）
- 若数组来自不同 dtype 或 shape，还会触发隐式转换或广播检查，进一步拖慢
推荐做法：先收集再一次性拼接
把所有小数组先存进 Python 列表，等全部就绪后，用单次 np.concatenate 或 np.vstack/np.hstack 完成合并。这是最简单且通常最优的方案。
- 列表 append 是 C 层优化过的，开销极低
-
np.concatenate接收 list of arrays 时，内部会预计算总长度并一次性分配内存 - 确保所有数组 shape 兼容：例如拼接列向量时，全部是
(n, 1)；拼接行向量则统一为(1, n) - 如果 dtype 不一致，提前统一（如用
arr.astype(np.float32)），避免运行时隐式转换
示例：
arrays = []
for i in range(10000):
x = generate_small_array() # 返回 shape=(32,) 的 ndarray
arrays.append(x)
result = np.concatenate(arrays, axis=0) # 一次完成，shape=(320000,)
当内存受限或需流式处理时，用 np.memmap 预分配
如果拼接结果太大，放不下内存（比如最终 >10GB），又不想分块写磁盘再读回，可以用 np.memmap 提前映射一块文件-backed 内存区域，然后按偏移写入。
- 先算出总长度：
total_size = sum(len(a) for a in all_arrays) - 创建 memmap：
out = np.memmap("temp.dat", dtype=np.float32, mode="w+", shape=(total_size,)) - 用累积索引写入：
start = 0; for a in arrays: out[start:start+len(a)] = a; start += len(a) - 后续可直接当普通 ndarray 用（只要不 close 或 del）
- 注意：memmap 不支持 resize，必须预先知道总尺寸
别碰 np.append 和 += 拼接
np.append 底层就是调用 np.concatenate，而且额外多一次 copy —— 它返回新数组，原数组不变，纯属语义糖衣炮弹。
-
arr = np.append(arr, new_part)每次都复制整个arr，复杂度爆炸 -
arr += ...只适用于原地运算，不能用于拼接（维度不匹配会报ValueError: operands could not be broadcast together） - 哪怕用
list+extend再转np.array，也比np.append循环快得多
真正卡住性能的，往往不是算法本身，而是没意识到 np.concatenate 的输入形态对执行路径的影响——传 list 比传 tuple 稍慢但可忽略，传 generator 则会触发降级路径，务必避免。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
