vstack要求除第0轴外其余维度完全一致，如(3,4)与(2,5)因列数不等而失败；混用1d和2d数组会因维度数不同报错，应统一reshape升维或改用concatenate(axis=0)。
NumPy数组的纵向拼接用 vstack，横向拼接用 hstack；但必须保证对应轴上的维度一致，否则会直接抛出 ValueError: all the input arrays must have same number of dimensions 或形状不匹配错误。
为什么 vstack 有时报 “axis 0 mismatch”？
因为 vstack 要求除第 0 轴（行方向）外，其余轴尺寸完全相同。比如两个数组 a.shape = (3, 4) 和 b.shape = (2, 5) 无法 vstack——列数 4 ≠ 5。
- 常见误用：把一维数组和二维数组混用，如
vstack([arr1d, arr2d])；一维数组会被当作(n,)，而二维数组是(m, k)，维度数不同就会失败 - 正确做法：用
reshape(-1, 1)或[:, None]统一升维，或改用concatenate(..., axis=0)并显式指定axis - 更稳妥的替代：直接用
np.concatenate(arrays, axis=0)，它对输入维度更明确，也更容易调试
hstack 和 np.concatenate(..., axis=1) 有啥区别？
本质没区别：hstack 就是 concatenate 在 axis=1 上的封装，但它对一维数组做了特殊处理——会先将所有一维数组转成二维行向量再拼。
- 例如：
hstack([np.array([1,2]), np.array([3,4])])返回[1,2,3,4]（仍是 1D）；而concatenate(..., axis=1)会直接报错，因一维数组没有 axis=1 - 所以如果你明确处理的是二维数据，优先用
concatenate(..., axis=1)，语义清晰、不易误解 - 若需兼容一维输入且想保持行为一致，检查输入是否全为 1D；否则建议统一
reshape(1, -1)再拼，避免隐式转换带来的意外
拼接时 shape 不匹配却没报错？小心广播陷阱
NumPy 不会对 vstack/hstack 做广播。但如果你误用了 np.stack（它要求全等 shape）或在拼接前忘了 squeeze/expand_dims，可能得到意料之外的维度。
- 典型现象：拼完发现结果多了一维，比如从
(3,4)+(3,4)得到(2,3,4)——那是用了stack而非vstack - 检查手段：拼接前打印每个数组的
.shape和.ndim，尤其注意(n,)、(n, 1)、(1, n)的区别 - 安全习惯：对不确定维度的数组，用
np.atleast_2d()预处理，再用concatenate显式指定 axis
最常被忽略的是：拼接操作本身不修改原数组，返回新数组；如果数组很大，频繁拼接会触发多次内存分配——真要批量合并，优先考虑预分配 np.empty + 索引赋值，而不是循环调用 vstack。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
