尝试以下
注意，沿沿着轴1求和会将元素逐行相加，然后可以将结果整形为列矩阵，最后追加到原始数组中

>>> new_col = np.sum(x,1).reshape((x.shape[0],1))
>>> np.append(x,new_col,1)
array([[ 1, 10, 11],
       [ 2, 20, 22],
       [ 3, 30, 33],
       [ 4, 40, 44]])

字符串
或在一行中

np.append(x,np.sum(x,1).reshape((x.shape[0],1)),1)

型

几乎是新的numpy.寻找一个解决同样的问题，我发现这似乎相当线性：

import numpy as np
my_arr = np.array([[1, 10], [2, 20], [3, 0], [4, 30]])
my_func = lambda x: 2*x[0] + x[1]
new_col = np.apply_along_axis(my_func, axis = 1, arr = my_arr)
my_arr = np.column_stack((my_arr, new_col))

my_arr
array([[ 1, 10, 12],
       [ 2, 20, 24],
       [ 3,  0,  6],
       [ 4, 30, 38]])

字符串
也许apply_沿着_axis在2012年不可用？

对于这些类型的计算，内置的map函数非常有用。它只需要将计算结果添加到第三列。对于求和：

>>> import numpy as np
>>> my_arr = np.array([[1, 10], [2, 20], [3, 0], [4, 30]])
>>> np.vstack( (my_arr.T, map(sum, my_arr) )).T
array([[ 1, 10, 11],
       [ 2, 20, 22],
       [ 3,  0,  3],
       [ 4, 30, 34]])

字符串
它还与其他功能一起工作：

>>> my_func = lambda x: 2*x[0] + x[1]
>>> np.vstack( (my_arr.T, map(my_func, my_arr) )).T
array([[ 1, 10, 12],
       [ 2, 20, 24],
       [ 3,  0,  6],
       [ 4, 30, 38]])

型

import numpy

my_arr = numpy.array([[1, 10],
                      [2, 20],
                      [3, 0],
                      [4, 30]])
column0 = my_arr[:,0:1]  # Use 0:1 as a dummy slice to maintain a 2d array
column1 = my_arr[:,1:2]  # Use 1:2 as a dummy slice to maintain a 2d array
new_column = column0 + column1
my_arr = numpy.hstack((my_arr, new_column))

字符串