np.concatenate()默认axis=0（垂直拼接），横向需显式指定axis=1；vstack/hstack行为特殊，尤其对1D数组；多次调用concatenate性能差，应一次性拼接或预分配。
拼接方向搞错：
默认按 axis=0 合并，不是“自动识别横竖”
很多人以为
会像
或
那样“智能判断方向”，其实它完全依赖
参数。不显式指定
，就按第 0 轴（行方向）合并，等价于
—— 即堆叠成更高数组，而不是更宽。
想横向拼（列方向），必须写
，否则报
或形状不匹配
底层就是
，
在 2D 数组下等价于
，但注意：
对 1D 数组行为特殊（会先转成列向量再水平拼）
如果数组维度不一致（比如一个 (3, 4)，另一个 (3,)），
直接报错；而
/
会尝试广播或隐式升维，反而容易掩盖问题
1D 数组拼接时
和
行为反直觉
对一维数组，
会把每个
、
当作“一行”，结果是二维的；而
是真正把元素首尾相连，返回一维数组 —— 这和名字的“v/h”直观感受相反。
（2×2）
（1D，长度 4）
这时用
才等价于
；想等价
，得先
或改用
+ 显式二维输入
性能与内存：多次
比预分配后赋值慢得多
每次都新建数组、拷贝数据。循环里反复调用，时间复杂度是 O(n²)，尤其拼大数组时延迟明显。
避免：
推荐：先收集所有数组到列表，一次拼完 ——
若拼接逻辑复杂（如条件过滤后拼），考虑预分配目标数组（用
或
），再用切片赋值，比反复
快一个数量级以上
/
内部也是调
，所以同样有这问题，别以为换函数就自动优化
常见错误：形状不兼容却没立刻报错
最典型的坑是拼接时某维长度不一致但其他维碰巧对得上，导致运行时不报错、结果错得隐蔽。比如两个数组都是 2D，但一个 (5, 3)，另一个 (5, 4)，用
拼会崩；但如果一个是 (5, 3)，另一个是 (5, 1)，
不报错，但你可能根本没意识到发生了广播式拼接（实际不会广播，这里指人为误判）—— 真正危险的是维度数不同还硬拼。
错误示例：
→ 报错，因为 (3,) 不能直接在 axis=1 拼到 (3, 4) 上
但
成功，结果是 (3, 5)，容易漏看末尾多了一列全 1
建议拼之前加检查：
（对 axis=0）；或用
预探路
事情说清了就结束
np.concatenate()np.concatenate()vstackhstackaxisaxisvstackaxis=1ValueError: all the input arrays must have same number of dimensionsvstackconcatenate(..., axis=0)hstackconcatenate(..., axis=1)hstackconcatenatevstackhstackvstackhstackvstack([a, b])abhstack([a, b])a = np.array([1, 2]); b = np.array([3, 4])vstack([a, b]) → array([[1, 2], [3, 4]])hstack([a, b]) → array([1, 2, 3, 4])concatenate([a, b])hstackvstackreshape(-1, 1)axis=0concatenatenp.concatenate()res = arr0; for a in arr_list: res = np.concatenate([res, a])np.concatenate(arr_list)np.emptynp.zerosconcatenatevstackhstackconcatenateaxis=1concatenatenp.concatenate([np.ones((3, 4)), np.ones((3,))], axis=1)np.concatenate([np.ones((3, 4)), np.ones((3, 1))], axis=1)all(a.shape[1:] == arr_list[0].shape[1:] for a in arr_list)np.broadcast_arrays