本文介绍如何将二维 NumPy 数组的每一行与一维数组对应元素配对，快速构建嵌套列表（如 [[row, scalar], ...]），重点推荐 zip + map 的简洁方案，并对比其适用性与局限性。
本文介绍如何将二维 numpy 数组的每一行与一维数组对应元素配对，快速构建嵌套列表（如 `[[row, scalar], ...]`），重点推荐 `zip` + `map` 的简洁方案，并对比其适用性与局限性。
在 NumPy 数据处理中，常需将一个二维数组（如样本矩阵）的每行与一个一维数组（如标签、权重或索引值）按位置配对，生成结构化嵌套序列。例如：
import numpy as np
A = np.array([[1, 3, 6],
[2, 2, 5]])
B = np.array([1, 6])
目标是得到：
[[[1, 3, 6], 1], [[2, 2, 5], 6]]
✅ 推荐方法（简洁、可读、高效）：
result = list(map(list, zip(A.tolist(), B.tolist())))
或更直接（无需显式 .tolist()，因 zip 可迭代 NumPy 数组）：
result = [list(pair) for pair in zip(A, B)]
输出为：
[[[1, 3, 6], 1], [[2, 2, 5], 6]]
? 为什么有效？
-
zip(A, B)按行遍历A（每行为 1D ndarray）并逐个配对B的标量元素； -
A的每行在zip中自动转为可迭代序列（等价于list(row)），与B[i]组成元组； - 列表推导式
[list(pair) for pair in zip(...)]将每个(row_array, scalar)元组转为 Python 列表，满足嵌套结构要求。
⚠️ 注意事项：
- 此方案返回的是 纯 Python 嵌套列表，非 NumPy 数组（因内部元素类型不一致：子列表含
list和int，无法构成同质 ndarray）； - 若后续需数值计算，建议改用结构化数组（
np.array(..., dtype=object)）或分列存储（如C_rows = A,C_scalars = B）； -
A与B长度必须严格相等，否则zip截断至较短者——建议预先校验：assert len(A) == len(B)。
? 性能提示：
对于中等规模数据（zip + 列表推导式比 np.column_stack 或 np.stack 更直观且开销极小；若追求极致性能且需保持 NumPy 类型，可考虑 np.empty(len(A), dtype=object) 预分配后循环赋值，但通常无必要。
总结：当目标是生成便于序列化、调试或下游 Python 逻辑使用的嵌套列表时，[list(pair) for pair in zip(A, B)] 是最清晰、稳健且高效的选择。
