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：np.concatenate() 默认按 axis=0 合并，不是“自动识别横竖”
很多人以为 np.concatenate() 会像 vstack 或 hstack 那样“智能判断方向”，其实它完全依赖 axis 参数。不显式指定 axis，就按第 0 轴（行方向）合并，等价于 vstack —— 即堆叠成更高数组，而不是更宽。
- 想横向拼（列方向），必须写
axis=1，否则报ValueError: all the input arrays must have same number of dimensions或形状不匹配 -
vstack底层就是concatenate(..., axis=0)，hstack在 2D 数组下等价于concatenate(..., axis=1)，但注意：hstack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,)），
concatenate直接报错；而vstack/hstack会尝试广播或隐式升维，反而容易掩盖问题
1D 数组拼接时 vstack 和 hstack 行为反直觉
对一维数组，vstack([a, b]) 会把每个 a、b 当作“一行”，结果是二维的；而 hstack([a, b]) 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。
a = np.array([1, 2]); b = np.array([3, 4])-
vstack([a, b]) → array([[1, 2], [3, 4]])（2×2） -
hstack([a, b]) → array([1, 2, 3, 4])（1D，长度 4） - 这时用
concatenate([a, b])才等价于hstack；想等价vstack，得先reshape(-1, 1)或改用axis=0+ 显式二维输入
性能与内存：多次 concatenate 比预分配后赋值慢得多
np.concatenate() 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：
res = arr0; for a in arr_list: res = np.concatenate([res, a]) - 推荐：先收集所有数组到列表，一次拼完 ——
np.concatenate(arr_list) - 若拼接逻辑复杂（如条件过滤后拼），考虑预分配目标数组（用
np.empty或np.zeros），再用切片赋值，比反复concatenate快一个数量级以上 -
vstack/hstack内部也是调concatenate，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 axis=1 拼会崩；但如果一个是 (5, 3)，另一个是 (5, 1)，concatenate 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：
np.concatenate([np.ones((3, 4)), np.ones((3,))], axis=1)→ 报错，因为 (3,) 不能直接在 axis=1 拼到 (3, 4) 上 - 但
np.concatenate([np.ones((3, 4)), np.ones((3, 1))], axis=1)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：
all(a.shape[1:] == arr_list[0].shape[1:] for a in arr_list)（对 axis=0）；或用np.broadcast_arrays预探路
