我认为:

np.column_stack((a, zeros(shape(a)[0])))

更优雅。

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],
...

对我来说，下一种方法看起来非常直观和简单。

zeros = np.zeros((2,1)) #2 is a number of rows in your array.   
b = np.hstack((a, zeros))

我喜欢这个:

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

有点晚了，但还没有人发布这个答案，所以为了完整起见:你可以在一个普通的Python数组上使用列表推导式来完成:

source = a.tolist()
result = [row + [0] for row in source]
b = np.array(result)

我觉得下面这些最优雅:

b = np.insert(a, 3, values=0, axis=1) # Insert values before column 3

插入的一个优点是它还允许您在数组中的其他位置插入列(或行)。此外，您可以轻松地插入整个向量，而不是插入单个值，例如复制最后一列:

b = np.insert(a, insert_index, values=a[:,2], axis=1)

这就导致:

array([[1, 2, 3, 3],
       [2, 3, 4, 4]])

对于时间，insert可能比JoshAdel的解决方案慢:

In [1]: N = 10

In [2]: a = np.random.rand(N,N)

In [3]: %timeit b = np.hstack((a, np.zeros((a.shape[0], 1))))
100000 loops, best of 3: 7.5 µs per loop

In [4]: %timeit b = np.zeros((a.shape[0], a.shape[1]+1)); b[:,:-1] = a
100000 loops, best of 3: 2.17 µs per loop

In [5]: %timeit b = np.insert(a, 3, values=0, axis=1)
100000 loops, best of 3: 10.2 µs per loop