深入理解NumPy 的 np.column_stack的实现_websocket

在使用 numpy 进行数据处理时，我们经常会遇到把多个数组按照列（column）组合成一个矩阵的需求。最常见的场景包括：

很多人第一时间会想到 np.hstack，但其实 np.column_stack 才是真正为“列拼接”设计的函数，尤其对 1d 数组的处理更加符合直觉。

本文将从原理、差异、示例到图解，全面讲解 np.column_stack 的使用。

1.np.column_stack是什么？

np.column_stack 的作用是：
将多个数组以“列”的方式拼接成一个新的二维数组。
如果输入数组是 1d，会先转换为列向量再拼接。
函数签名非常简单：

numpy.column_stack(tup)

很多初学者会把 column_stack 和 hstack 混用，但它们的行为有显著不同：

函数	输入 1d 数组时	输入 2d 数组时	用途
column_stack	自动转成列向量，并按列组合	按列组合（与 hstack 等价）	组合特征列、更自然的列拼接
hstack	直接水平拼接成一行	按列组合	更接近简单拼接

简而言之：

👉 如果你把 1d 数组当成“数据列（column）”，应该用 column_stack。

import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

result = np.column_stack((a, b))
print(result)

输出：

[[1 4]
[2 5]
[3 6]]

解释：

这恰好符合我们对“合并两个特征列”的直觉。

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

result = np.column_stack((a, b))
print(result)

输出：

[[1 2 5 6]
[3 4 7 8]]

二维数组时，column_stack 和 hstack 表现相同——横向拼接。

a = np.array([1, 2, 3])
b = np.array([[4], [5], [6]])

result = np.column_stack((a, b))
print(result)

输出：

[[1 4]
[2 5]
[3 6]]

1d 会自动转换为列向量，非常方便。

下面是一个更直观的图示，有助于你彻底理解 column_stack 的工作原理：

1d → 列向量 → 按列组合

图中左侧是两个 1d 数组，它们被转换成两列，再拼成一个 2d 数组。

这个可视化呈现出了 column_stack 的核心：
👉 把每个输入都当成“一列”，然后拼接。

age = np.array([18, 25, 32])
height = np.array([170, 180, 165])

x = np.column_stack((age, height))

即：

[[ 18 170]
[ 25 180]
[ 32 165]]

这就是典型的特征矩阵 x。

gt = np.array([1, 0, 1])
pred = np.array([1, 1, 0])

np.column_stack((gt, pred))

name = ["a", "b", "c"]
score = [90, 80, 95]

table = np.column_stack((name, score))

函数	按列还是按行？	对 1d 数组的处理	最适合用途
column_stack	按列	自动变“列”	构建数据矩阵、特征拼接
hstack	按行水平拼接	直接拼成一维	简单拼接
vstack	按行堆叠	变为行向量	竖向堆数据
stack	增加新维度	完全自定义 axis	自由组合三维/四维结构