np.concatenate是沿指定轴拼接数组的首选方法，不复制数据且支持axis参数；axis=0纵向拼、axis=1横向拼，需保证除指定轴外其余维度一致，1d数组需先升维。

用 np.concatenate 沿指定轴拼接最直接

绝大多数情况下，np.concatenate 是首选——它不复制数据（只要数组内存布局兼容），且明确支持 axis 参数。别用 np.append 或 np.stack 替代，前者默认展平、后者要求全维度一致。

常见错误是传入 list 而非 tuple：虽然 np.concatenate([a, b], axis=1) 能跑，但官方文档明确推荐传 tuple，避免潜在的隐式转换开销。

• axis=0：纵向拼（行方向），要求除第 0 轴外其余维度必须完全相同
• axis=1：横向拼（列方向），要求除第 1 轴外其余维度必须完全相同
• 若某数组 shape 是 (3, 4)，另一是 (3, 5)，只能用 axis=1；若为 (2, 4) 和 (3, 4)，只能用 axis=0

拼接前检查 shape 兼容性，别等报错才反应

运行时报 ValueError: all the input arrays must have same number of dimensions 或 ValueError: axis 1 is out of bounds for array of dimension 1，往往是因为没预判好维度对齐。尤其注意 1D 数组行为特殊：

Python Sdk

inference.sh 的 Python SDK：运行 AI 应用、构建智能体，并集成 150 多个模型。包名：inferencesh (pip install inferencesh)。支持同步/异步……

下载

• 1D 数组如 a = np.array([1, 2]) 的 ndim == 1，axis=1 直接非法
• 想对 1D 数组做“列拼”，得先升维：np.concatenate([a[:, None], b[:, None]], axis=1)
• 用 np.atleast_2d() 或 .reshape(-1, 1) 显式转成二维再拼，比靠 np.column_stack 更可控

大数组拼接时，out 参数能省内存但难用

np.concatenate 支持 out 参数预先分配目标数组，理论上避免中间内存分配。但实际中限制极多：

• out 必须是可写的、shape 完全匹配的数组，且 dtype 一致
• 如果拼接的数组内存不连续（比如切片得来），out 可能无法复用底层缓冲区，反而触发拷贝
• 除非你在写底层工具函数且已确认内存布局，否则不建议强行用 out，优先保证逻辑清晰

替代函数选哪个？看场景别硬套

不是所有“拼接”都该用 concatenate：

• 要堆叠成新维度（比如把多个 (H,W) 图变成 (N,H,W)）→ 用 np.stack，axis=0 最常用
• 两个 2D 数组按列合并（类似 pandas concat(axis=1)）→ np.hstack 是 concatenate(..., axis=1) 的别名，可读性略高
• 需自动广播低维数组（如标量或 1D 向量扩展后拼）→ np.column_stack / np.row_stack 会帮你处理，但内部仍调 concatenate，无性能优势

真正影响效率的，从来不是函数名，而是你是否提前确保了输入数组的 C_CONTIGUOUS 或 F_CONTIGUOUS 布局——跨轴拼接时，非连续数组可能触发隐式拷贝，这点几乎没人检查。

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！