本文介绍在 Python（NumPy）中高效实现“将一个列向量赋值为二维数组的某一列”或“横向拼接两个列向量”的常用方法，重点推荐 np.c_ 索引器，并对比说明注意事项与替代方案。
本文介绍在 python（numpy）中高效实现“将一个列向量赋值为二维数组的某一列”或“横向拼接两个列向量”的常用方法，重点推荐 `np.c_` 索引器，并对比说明注意事项与替代方案。
在 MATLAB 中，通过 A(:,2) = B 即可直接将列向量 B 赋值给矩阵 A 的第二列——这一操作隐含了 A 必须已存在且列数 ≥ 2 的前提。而 NumPy 的数组是固定形状的，不支持原地扩展列数；若 A 初始形状为 (100, 1)，则 A[:, 1] = B 会触发 IndexError: index 1 is out of bounds。因此，正确思路是：构造新数组，而非就地修改列索引。
最简洁、语义清晰的解决方案是使用 NumPy 的索引式拼接工具 np.c_（column-wise concatenation）：
import numpy as np A = np.zeros((100, 1)) # shape: (100, 1) B = np.ones((100, 1)) # shape: (100, 1) # 横向拼接：A 为第 1 列，B 为第 2 列 → 输出 shape: (100, 2) C = np.c_[A, B] print(C.shape) # (100, 2) print(C[:3]) # [[0. 1.], [0. 1.], [0. 1.]]
np.c_ 是 np.column_stack 的便捷别名，自动处理一维/二维输入的维度对齐（例如，若 A 是 (100,) 一维数组，np.c_[A, B] 仍能正确广播为 (100, 2)）。它比手动调用 np.hstack([A, B]) 更鲁棒，因为后者要求输入均为二维且列数匹配；若 A 和 B 是 (100, 1)，hstack 可用，但若其中一个是 (100,)，则需先 reshape(-1, 1)，易出错。
⚠️ 注意事项：
- np.c_ 返回新数组，不修改原数组 A 或 B；如需原地更新，必须显式赋值（如 C = ...）；
- 所有参与拼接的数组行数必须严格一致，否则抛出 ValueError；
- 避免使用 np.append(A, B, axis=1) —— 它效率较低（内部复制），且语义不如 c_ 直观。
✅ 总结：当目标是“构建 [A | B] 形式的双列数组”时，优先使用 np.c_[A, B]；若需动态插入到指定列位置（如“把 B 放入第 3 列，其余列保持原序”），可结合 np.concatenate 与切片：
# 示例：A 为 (100, 2)，想在中间插入 B 作为第 2 列 → 结果为 (100, 3) # C = [A[:,0], B, A[:,1]] C = np.c_[A[:, [0]], B, A[:, [1]]] # 用 [[0]] 保持二维
掌握 np.c_ 不仅解决列赋值问题，更是 NumPy 向量化思维的关键实践——用声明式拼接替代循环或冗余 reshape，代码更简、性能更优、可读性更强。
