如果我理解正确，你可以用途：

a1 = np.array([[True, False, False],
               [True, False, False],
               [True, False, False]])

a2 = np.array([[True, True],
               [False, False],
               [False, False],])

arrays = [a1, a2]

# compute maximum shape
shape = np.maximum.reduce([a.shape for a in arrays])

# pad and count the number of True
n = np.hstack([np.pad(a, list(zip(np.zeros(a.ndim, dtype=int), shape-a.shape)))
               for a in arrays]).sum(axis=1)

# create output using broadcasting
out = np.arange(shape[1])<n[:,None]

• 注意，这可以用于任意数量的数组。输出中的最大列数是输出中的最大列数，但如果需要，您可以使用out = np.arange(max(shape[1], n.max()))<n[:,None]将其更改为True的数量。*

输出：

array([[ True,  True,  True],
       [ True, False, False],
       [ True, False, False]])

其他示例

输入：

a1 = np.array([[True, False, False],
               [True, False, False]])

a2 = np.array([[True, True],
               [False, False],
               [False, False]])

输出：

array([[ True,  True,  True],
       [ True, False, False],
       [False, False, False]])

只要两个矩阵的左上角对齐，就很简单：

记住，你不是在 * 加 *，你是在 * 或 *-环。只要使用logical_or。这是通过元素级的。

• 根据两个矩阵中较大的一个，确定每个维度的输出矩阵大小
• 创建一个这样大小的输出矩阵
• 把一个输入矩阵放进去。
• OR另一个矩阵。

import numpy as np

A = np.array([[True, False, False],
              [True, False, False],
              [True, False, False]])

B = np.array([[True, True],
              [False, False],
              [False, False]])

n_rows = max(A.shape[0], B.shape[0])
n_cols = max(A.shape[1], B.shape[1])

C = np.zeros((n_rows, n_cols), dtype=bool)

C[:A.shape[0], :A.shape[1]] = A
C[:B.shape[0], :B.shape[1]] = np.logical_or(C[:B.shape[0], :B.shape[1]], B)

print(C)

你不能通过编程来添加不同大小的矩阵，你可以设计一个系统来改变布尔值 通过处理单个向量（行或列）的索引，但函数必须通过排除不希望更改的值来构建。本质上，它是一种以特定而非通用方式工作的算法，因此具体功能取决于您希望函数如何基于特定情况工作