MATLAB数组拼接：horzcat与vertcat高效应用指南-代码聚汇网

MATLAB数组拼接：horzcat与vertcat高效应用指南

周恰恰·2026-08-26·阅读 22 GEO检测（免费）

MATLAB数组拼接horzcat函数vertcat函数

|难度：普通|阅读约 17 分钟

1. MATLAB数组拼接的核心场景与价值

在数据处理和科学计算领域，数组拼接是最基础却至关重要的操作之一。作为MATLAB的核心功能，数组拼接直接影响着后续分析的效率和代码的可读性。不同于简单的数值计算，数组拼接需要考虑维度匹配、内存管理和批量操作等实际问题。

以气象数据分析为例，当我们需要将不同时间段的温度观测数据合并时，正确的拼接方式可以保持数据的时间序列特性；在图像处理中，多幅图像的拼接需要精确控制行列对齐；而在机器学习领域，特征矩阵的拼接往往决定了模型输入的完整性。这些场景都离不开horzcat和vertcat这两个基础但强大的函数。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 基础函数解析：horzcat与vertcat

2.1 水平拼接horzcat的深度剖析

horzcat函数实现数组的水平拼接（沿第二维度连接），其核心语法为C = horzcat(A,B)。但实际应用中远不止这么简单：

matlab复制% 基础示例
A = [1 2; 3 4];  % 2x2矩阵
B = [5 6; 7 8];  % 2x2矩阵
C = horzcat(A,B)  % 结果：2x4矩阵 [1 2 5 6; 3 4 7 8]

% 非常规案例解析
A = rand(3,4);   % 3行4列
B = rand(3,2);   % 3行2列
C = horzcat(A,B)  % 合法：3行6列

% 错误案例
A = rand(3,4);
B = rand(2,4);   % 行数不匹配
C = horzcat(A,B)  % 报错：维度不一致

关键细节：

要求两个数组的行数完全一致
支持多维数组，但仅在第二维度拼接
性能考虑：对于大型数组，预分配内存比多次拼接更高效

2.2 垂直拼接vertcat的实现机制

vertcat实现垂直拼接（沿第一维度连接），语法类似但维度要求相反：

matlab复制% 典型应用
A = [1 2; 3 4];  % 2x2
B = [5 6; 7 8; 9 10]; % 3x2
C = vertcat(A,B)  % 结果：5x2矩阵

% 特殊场景处理
A = cell(2,3);
B = cell(1,3);
C = vertcat(A,B)  % 合法：3x3 cell数组

% 边界情况
A = [];
B = magic(3);
C = vertcat(A,B)  % 结果等同于B

注意事项：

列数必须严格相等
空数组作为参数时的特殊处理规则
与分号(;)操作符的等效关系：A;B 完全等同于vertcat(A,B)

3. 批量数组拼接的高级技巧

3.1 循环结构的优化方案

当面对数十个甚至上百个数组需要拼接时，直接多次调用horzcat/vertcat会导致严重的性能问题。以下是两种优化方案对比：

matlab复制% 低效做法（每次拼接都创建新数组）
result = [];
for i = 1:100
    result = horzcat(result, data_cell{i});
end

% 高效方案（预分配内存）
total_cols = sum(cellfun(@(x) size(x,2), data_cell));
result = zeros(size(data_cell{1},1), total_cols);
col_start = 1;
for i = 1:100
    cols = size(data_cell{i},2);
    result(:,col_start:col_start+cols-1) = data_cell{i};
    col_start = col_start + cols;
end

性能测试对比（100个1000x100矩阵拼接）：

低效方法：耗时2.37秒
预分配方案：耗时0.15秒

3.2 使用cellfun实现函数式编程

对于简单的批量操作，可以采用函数式编程风格：

matlab复制% 水平拼接cell数组中的所有矩阵
cells = {rand(10,5), rand(10,3), rand(10,7)};
result = cell2mat(cellfun(@(x) x, cells, 'UniformOutput', false));

% 带条件筛选的拼接
valid_cells = cells(cellfun(@(x) size(x,1)==10, cells));
final_matrix = horzcat(valid_cells{:});

提示：cellfun的'UniformOutput'参数设为false时，允许处理不同尺寸的数组

3.3 多维数组的拼接策略

对于三维及更高维数组，需要结合cat函数实现特定维度的拼接：

matlab复制A = rand(256,256,3); % RGB图像
B = rand(256,256,3);
C = cat(4,A,B);      % 创建4D数组（可用于批处理）

常见维度选择：

cat(1,...) 等效vertcat
cat(2,...) 等效horzcat
cat(3,...) 沿"页"方向拼接（适用于图像栈）

4. 工程实践中的常见问题与解决方案

4.1 内存不足错误处理

大型数组拼接时可能遇到"Out of memory"错误，解决方法包括：

分块处理策略：

matlab复制chunk_size = 5000;
for i = 1:chunk_size:numel(data)
    end_idx = min(i+chunk_size-1, numel(data));
    partial = horzcat(data{i:end_idx});
    save(sprintf('temp_part_%d.mat',i), 'partial');
end

使用memmapfile处理超大型数据：

matlab复制filename = 'big_array.dat';
m = memmapfile(filename, 'Format', 'double', 'Writable', true);
m.Data(1:end/2) = horzcat_results_part1;
m.Data(end/2+1:end) = horzcat_results_part2;

4.2 数据类型不一致的自动转换

MATLAB会自动处理不同类型数据的拼接，但需要了解其规则：

matlab复制A = single([1.2 3.4]);
B = int16([5 6]);
C = horzcat(A,B)  % 结果转为single类型

D = logical([1 0]);
E = double([3 4]);
F = vertcat(D,E)  % 结果转为double

类型转换优先级（从高到低）：

double
single
int64/uint64
...（其他整数类型）
logical

4.3 稀疏矩阵的特殊处理

稀疏矩阵的拼接需要额外注意内存和性能：

matlab复制S1 = sparse(eye(1000));
S2 = sparse(diag(1:1000));
S_combined = [S1, S2];  % 稀疏性保持

% 性能对比
tic; full_S = horzcat(full(S1), full(S2)); toc  % 耗时0.12s
tic; sparse_S = horzcat(S1,S2); toc  % 耗时0.003s

最佳实践：

始终在稀疏矩阵上直接操作
避免中间转换为全矩阵
使用spalloc预分配稀疏矩阵空间

5. 性能优化深度解析

5.1 预分配技术的实现细节

正确的预分配可以提升10-100倍性能：

matlab复制% 错误预分配（仍会导致内存重分配）
result = zeros(1000,0);  % 列维度为0
for i = 1:100
    result = horzcat(result, rand(1000,50)); % 每次迭代都扩展
end

% 正确预分配
estimated_cols = 100*50;
result = zeros(1000, estimated_cols);
col_ptr = 1;
for i = 1:100
    current_cols = size(new_data,2);
    result(:,col_ptr:col_ptr+current_cols-1) = new_data;
    col_ptr = col_ptr + current_cols;
end
result(:,col_ptr:end) = [];  % 修剪多余空间

5.2 不同MATLAB版本的性能差异

R2020b之后，horzcat/vertcat底层实现有重大优化：

版本	操作	时间(ms)
R2018a	1000x1000矩阵×100次	450
R2020b	同上	120
R2023a	同上	85

优化技巧：

新版MATLAB对连续内存操作更高效
避免在循环中改变数组数据类型
使用最新版的MATLAB Runtime

5.3 GPU加速实现

对于超大规模数据，可以使用GPUArray：

matlab复制gpuA = gpuArray(rand(10000, 'single'));
gpuB = gpuArray(rand(10000, 'single'));

tic
for i = 1:100
    gpuC = horzcat(gpuA, gpuB);
end
toc  % 通常比CPU版本快3-5倍