我喜欢这个:

new_column = np.zeros((len(a), 1))
b = np.block([a, new_column])

使用numpy.append:

>>> a = np.array([[1,2,3],[2,3,4]])
>>> a
array([[1, 2, 3],
       [2, 3, 4]])

>>> z = np.zeros((2,1), dtype=int64)
>>> z
array([[0],
       [0]])

>>> np.append(a, z, axis=1)
array([[1, 2, 3, 0],
       [2, 3, 4, 0]])

在我的例子中，我必须向NumPy数组中添加一列1

X = array([ 6.1101, 5.5277, ... ])
X.shape => (97,)
X = np.concatenate((np.ones((m,1), dtype=np.int), X.reshape(m,1)), axis=1)

后 X.shape => (97,2)

array([[ 1. , 6.1101],
       [ 1. , 5.5277],
...

假设M是一个(100,3)ndarray, y是一个(100，)ndarray追加可以这样使用:

M=numpy.append(M,y[:,None],1)

诀窍在于使用

y[:, None]

这将y转换为(100,1)2D数组。

M.shape

现在给

(100, 4)

使用hstack的一种方法是:

b = np.hstack((a, np.zeros((a.shape[0], 1), dtype=a.dtype)))

我喜欢JoshAdel的回答，因为他关注的是表现。一个较小的性能改进是避免使用零进行初始化的开销，而这些初始化只会被覆盖。当N很大时，这有一个可测量的差异，用空代替零，零的列被写成一个单独的步骤:

In [1]: import numpy as np

In [2]: N = 10000

In [3]: a = np.ones((N,N))

In [4]: %timeit b = np.zeros((a.shape[0],a.shape[1]+1)); b[:,:-1] = a
1 loops, best of 3: 492 ms per loop

In [5]: %timeit b = np.empty((a.shape[0],a.shape[1]+1)); b[:,:-1] = a; b[:,-1] = np.zeros((a.shape[0],))
1 loops, best of 3: 407 ms per loop