python的矩阵扩充

a为3*4的矩阵，b为2*4的矩阵，现要形成[ab$\frac{a}{b}$]一样的矩阵，就需要扩充a
法一：

    import numpy as np
    a=np.row_stack( (a , b) )

法二：

    c=np.zeros( (5 , 4) ）
    for i in range(5):
        if i<3:
            c[i]=a[i]
        else :
            c[i]=b[i-3]

如果只是扩充这么一次，肯定选择法1
但是如果是要扩充多次，即a,b扩充之后还要进行多次的扩充，那么法2是个优势选择。
这里举个例子：
training_set是个（imgMatrix,label)的二维元组，imgMatrix是个60000*784的矩阵，label是个784*1的矩阵。imgMatrix的一行为一个img，同一种类的img的label是相同的，imgMatrix中共十个种类。下面程序的目的是从imgMatrix中找出同一种类的img，并分别构成各个种类的矩阵

注释部分采用的法1，循环6000次就需要5.02s，60000次时间更长，不是简单的5.02s*10，我没有继续等待，也不知道具体时间是多少，但等了几分钟都没有结束。
而采用法2（未注释部分），只需要1.02s！！！，是真的快！

     training_set,test_set=mnist_loader()
     print 'data load over'
        #start1=time.clock()
        #nullMatrix=np.mat( training_set[0].shape[1]*[[]] ).T
        #omega=10*[nullMatrix]
        #for k in range(60000):
        #    label=training_set[1][k,0]
        #    omega[label]=np.row_stack( (omega[label] , training_set[0][k]) )
        #end1=time.clock()
        #print end1-start1  

    start2=time.clock()
    count=10*[0]
    for k in range(60000):
        label=training_set[1][k,0]
        count[label]+=1
    omega=10*[0]
    for i in range(10):
        omega[i]=np.zeros( (count[i],784) )
    index=10*[0]
    for k in range(60000):
        label=training_set[1][k,0]
        omega[label][index[label]]=training_set[0][k]
        index[label]=index[label]+1
    end2=time.clock()
    print end2-start2