在 Python 中实现多特征变量的矩阵拼接，通常使用 `NumPy` 提供的数组拼接函数来完成。拼接的目标是将多个一维或二维数组按照列或行方向组合成一个二维矩阵，而不是升维为张量。这一操作在数据预处理、特征工程和机器学习输入构造中非常常见。 ### 使用 `np.column_stack` 按列拼接 若多个特征变量为一维数组（向量），可以使用 `np.column_stack` 函数将它们按列堆叠成一个二维矩阵。该方法适用于特征变量数量较多、样本数量一致的情况。 ```python import numpy as np # 定义三个一维特征数组 feature1 = np.array([1, 2, 3]) feature2 = np.array([4, 5, 6]) feature3 = np.array([7, 8, 9]) # 按列拼接为二维矩阵 matrix = np.column_stack((feature1, feature2, feature3)) print(matrix) ``` 此方法确保最终结果为二维结构 `(样本数, 特征数)`，适用于大多数机器学习模型的输入格式[^5]。 ### 使用 `np.hstack` 和 `np.vstack` 进行水平或垂直拼接 若特征变量本身已经是二维数组，可以使用 `np.hstack`（水平拼接）或 `np.vstack`（垂直拼接）进行组合。例如： ```python a = np.array([[1, 3], [5, 7]]) b = np.array([[2, 4], [6, 8]]) # 水平拼接（列方向） horizontal_matrix = np.hstack((a, b)) print("水平拼接结果：\n", horizontal_matrix) # 垂直拼接（行方向） vertical_matrix = np.vstack((a, b)) print("垂直拼接结果：\n", vertical_matrix) ``` 上述方式可以灵活地控制拼接方向，确保最终结构仍为二维矩阵，而非升维为张量[^5]。 ### 使用 `pandas.DataFrame` 构建结构化矩阵 若特征变量以字典或列表形式存在，可以使用 `pandas.DataFrame` 构建结构化矩阵。这种方式在数据可视化和后续处理中更具可读性。 ```python import pandas as pd # 使用字典构建DataFrame data = { 'Feature1': [1, 2, 3], 'Feature2': [4, 5, 6], 'Feature3': [7, 8, 9] } df = pd.DataFrame(data) print(df) ``` 该方法不仅生成二维矩阵，还支持列名标注、缺失值处理等高级功能，适合用于数据预处理流程[^3]。 ### 检查拼接后的维度 拼接完成后，建议使用 `.shape` 属性验证数据维度是否为 `(样本数, 特征数)`。若发现第三维度存在，则说明数据结构已升维为张量，需回溯拼接过程以修正操作[^1]。 ```python print(matrix.shape) # 应输出 (3, 3) ``` ### 注意事项 - 避免使用 `np.expand_dims` 或 `torch.unsqueeze` 等升维函数，这些操作会引入额外维度，导致数据结构变为张量。 - 在拼接前确保所有特征变量的样本数量一致，否则拼接会失败或产生错误结果。 ---