如果我从3x4数组开始，然后将3x1数组与轴1连接起来，则会得到3x5数组：

In [911]: x = np.arange(12).reshape(3,4)
In [912]: np.concatenate([x,x[:,-1:]], axis=1)
Out[912]: 
array([[ 0,  1,  2,  3,  3],
       [ 4,  5,  6,  7,  7],
       [ 8,  9, 10, 11, 11]])
In [913]: x.shape,x[:,-1:].shape
Out[913]: ((3, 4), (3, 1))

请注意，两个要连接的输入都具有2维。

省略形状:，并且x[:,-1]为（3，）形状-为1d，因此出现错误：

In [914]: np.concatenate([x,x[:,-1]], axis=1)
...
ValueError: all the input arrays must have same number of dimensions

的代码np.append是（在这种情况下，指定了轴）

return concatenate((arr, values), axis=axis)

因此，只需稍稍更改语法即可append。它使用2个参数代替列表。它模仿列表append是语法，但不应与该列表方法混淆。

In [916]: np.append(x, x[:,-1:], axis=1)
Out[916]: 
array([[ 0,  1,  2,  3,  3],
       [ 4,  5,  6,  7,  7],
       [ 8,  9, 10, 11, 11]])

np.hstack首先确保所有输入均为atleast_1d，然后进行串联：

return np.concatenate([np.atleast_1d(a) for a in arrs], 1)

因此，它需要相同的x[:,-1:]输入。本质上是相同的动作。

np.column_stack 在轴1上也进行连接。但是首先它将1d输入通过

array(arr, copy=False, subok=True, ndmin=2).T

这是将（3，）数组转换为（3,1）数组的一般方法。

In [922]: np.array(x[:,-1], copy=False, subok=True, ndmin=2).T
Out[922]: 
array([[ 3],
       [ 7],
       [11]])
In [923]: np.column_stack([x,x[:,-1]])
Out[923]: 
array([[ 0,  1,  2,  3,  3],
       [ 4,  5,  6,  7,  7],
       [ 8,  9, 10, 11, 11]])

所有这些“堆栈”都可以方便使用，但从长远来看，了解尺寸和基础很重要np.concatenate。还知道如何查找类似这样的函数的代码。我经常使用ipython
??魔术。

在时间测试中，np.concatenate速度明显更快-像这样的小数组，额外的函数调用层会产生很大的时差。