vstack、hstack和dstack都用于把几个小数组合并成一个大数组。它们的差别是小数组的元素在大数组中的排列顺序有所不同。把两部手机摆到一起有几种方式？水平的左右排列，垂直的上下排列，还可以把手机一扣在手机二的顶上，把它们摞起来。这三种排列方式体现了vstack、hstack和dstack在合并数组时的特点。
一、vstack
vstack实现了轴0合并。vstack的字母v表示vertical的意思，提示用户把它想象成垂直合并。观察一维和二维数组的情况，b在结果中被排在a的后面，形成a在上，b在下的垂直关系。
import numpy as np a = [1,2] b = [3,4] c = np.vstack((a,b)) print(c) a = [[1,2]] b = [[3,4]] c = np.vstack((a,b)) print(c) ''' [[1 2] [3 4]] [[1 2] [3 4]] '''
显然，a被存到c[0]中，b被存到c[1]中，a、b二者在0号轴上连接起来。对于两个高维数组a、b来说，vstack在合并a、b时已全无垂直或上下这样直观的位置关系，但a、b仍旧保持在0号轴上a在前2层，b在后2层的位置关系。程序中np.sum(c[2:]-b)等于0表示c[2:]和b拥有同样的元素，np.sum(c[:2]-a)等于0表示c[:2]与a有同样的元素。想想c有什么样的形状？答曰(4,3,4,5)。
a = np.arange(120).reshape(2,3,4,5) b = np.arange(120,240).reshape(2,3,4,5) size = a.shape[0] print(np.sum(c[:2]-a)) print(np.sum(c[2:]-b)) # 0 # 0二、hstack
hstack表示轴1合并。hstack的字母h来自于horizontal，表示两个数组是水平的，hstack((a,b))将把b排在a的右边的意思。
print(np.hstack([[1,2],[3]])) # [1,2,3]
现在没有增维，结果不像vstack，对一维数组合并的结果还是一维的。
a = [[1,2],
[3,4]]
b = [[5],
[6]]
print(np.hstack([a,b]))
# [[1 2 5]
# [3 4 6]]
在结果c中，b就在a的右边。它表明c中b元素的1轴坐标会大于a元素的1轴坐标。对于高维数组而言，如下例所示，a的a[:0]、a[:1]、a[:,2]，构成c的c[:,0]、c[:,1]、c[:,2]，b的[:,0]构成c的c[:4]。a、b在1号轴坐标上被连接起来。
a = np.arange(120).reshape(2,3,4,5) b = np.arange(120,160).reshape(2,1,4,5) size = a.shape[1] c = np.hstack([a,b]) print(np.sum(c[:,:size]-a)) print(np.sum(c[:,size:]-b)) # 0 # 0
三、dstack
dstack自然是说deep stack了，它是轴2合并。dstack([a,b])把a和b摞在一起，像一摞扑克牌一样。
a = np.array([1,2]) b = np.array([3,4]) print(np.dstack((a,b))) # [[[1 3] # [2 4]]]
咦，例子的结果跟vstack有点像嘛。前面是长度和宽度的问题，现在是高度的问题了，所以结果变成了三维的。
现在，a、b在2号轴上被连接起来。如果a、b是一维数组，或是二维数组，系统首先将a、b变为三维数组，再按照2号轴进行合并操作，把a追加到c中，再把b的元素排到c中。在结果中，来自于b的元素的2号轴的下标将变大，因此排到a的后面，但各元素其它轴的坐标不变。
a = np.array([[1,2],
[3,4]])
b = np.array([[5,6],
[7,8]])
c = np.dstack([a,b])
print(c)
'''
[[[1 5]
[2 6]]
[[3 7]
[4 8]]]
'''
print(c[:,:,0])
'''
[[1 2]
[3 4]]
'''
print(c[:,:,1])
'''
[[5 6]
[7 8]]
''' 下面的代码演示了对于更高维的数组，如4维数组轴2合并的结果是b沿2号轴排列到a的后面。print(np.sum(c[:,:,4:6]-b))的结果为0表示c[:,:,4] == b[:,:,0]，c[:,:,5] == b[:,:,1]，也就是说c的2号轴的4、5下标是b的元素，自然，前面的0、1、2、3下标的元素是a的元素。
a = np.arange(120).reshape(2,3,4,5) b = np.arange(120,180).reshape(2,3,2,5) c = np.dstack([a,b,b]) print(np.sum(c[:,:,:4]-a)) # 0 print(np.sum(c[:,:,4:6]-b)) # 0 print(np.sum(c[:,:,6:]-b)) # 0一个元素，写于20180411