本文介绍如何将二维 numpy 数组 a（形状为 (n, m)）与一维数组 b（长度为 n）按行一一配对，生成嵌套列表 c，其中每个元素为 [a[i], b[i]]，并对比多种实现方式的性能与适用性。
本文介绍如何将二维 numpy 数组 a（形状为 (n, m)）与一维数组 b（长度为 n）按行一一配对，生成嵌套列表 c，其中每个元素为 [a[i], b[i]]，并对比多种实现方式的性能与适用性。
在 NumPy 数据处理中，常需将结构化数据（如样本特征矩阵）与其对应标签或权重向量进行配对。例如：
-
A是形状为(n, m)的二维数组，代表n个样本、每个含m维特征； -
B是长度为n的一维数组，代表每个样本的标量标签（如类别、得分、时间戳等）； - 目标是构造列表
C，使得C[i] == [A[i].tolist(), B[i]]，即每项为「特征行 + 标量」的二元嵌套列表。
✅ 推荐方法：list(map(list, zip(A, B)))
这是最简洁、可读性强且实际性能优异的纯 Python 方案：
import numpy as np
A = np.array([[1, 3, 6],
[2, 2, 5]])
B = np.array([1, 6])
C = list(map(list, zip(A, B)))
print(C)
# 输出： [[[1, 3, 6], 1], [[2, 2, 5], 6]]
原理说明：
-
zip(A, B)将A的每一行（np.ndarray视为可迭代对象，逐行迭代）与B对应元素配对，生成元组迭代器； -
map(list, ...)将每个(row_array, scalar)元组转为[row_list, scalar]列表； - 外层
list()收集全部结果为 Python 列表。
⚠️ 注意：
A[i]是np.ndarray，zip会自动解包其行；若需确保A[i]转为普通 Python 列表（而非数组），map(list, ...)已隐式完成该转换。
? 其他方案对比（不推荐但需了解）
| 方法 | 代码示例 | 说明 | 缺陷 |
|---|---|---|---|
| 列表推导式（更直观） | [ [a.tolist(), b] for a, b in zip(A, B) ] |
显式调用 tolist()，语义清晰 |
略微冗余，性能与 map(list, zip(...)) 基本持平 |
| NumPy 向量化拼接（❌错误方向） | np.column_stack([A, B[:, None]]) |
试图横向拼接 → 形状不兼容（A 是 2D，B 是 1D），且结果是扁平化数组，非嵌套结构 |
完全偏离目标格式，不可用 |
np.stack + np.expand_dims（❌过度复杂） |
np.stack([A, B[:, None]], axis=-1) |
生成高维张量，非所需嵌套列表结构 | 类型/形状均不符，需额外转换，得不偿失 |
✅ 最佳实践建议
-
优先使用
list(map(list, zip(A, B)))：零依赖、无副作用、内存友好（惰性迭代）、在n 时速度极佳； - 若
A和B极大（百万级样本）且后续需继续 NumPy 运算，考虑不立即转为嵌套列表，改用结构化数组（np.dtype）或字典映射（{i: (A[i], B[i]) for i in range(len(B))}）以延迟序列化开销； - 避免
for循环手动构建（可读性差、Python 层面慢）； - 所有方案均要求
len(A) == len(B)，建议前置校验：assert len(A) == len(B), "Length mismatch between A and B"。
综上，list(map(list, zip(A, B))) 是兼顾简洁性、可读性与运行效率的最优解，适用于绝大多数数据配对场景。
