stack是指维度域的堆叠
numpy.hstack与numpy.vstack对维度低于3的数组较为有用（能较好理解堆叠的过程）。
numpy.hstack
官方文档给出的定义是：对数组进行水平向（列）堆叠。该过程与第二维度（axis=1）的数组拼接（concatenation）是等价的，但是1维数组除外，因其只具有一个维度，故是在第一个维度进行拼接。
给出如下例子（一）：
import numpy as np
a = np.array([1, 3, 5])
b = np.array([1, 2, 3])
print("a shape:", a.shape)
print("b shape:", b.shape)
print("\nnp.hstack ...")
c = np.hstack((a, b))
print(c)
print("c shape:", c.shape)
输出为：
a shape: (3,)
b shape: (3,)
np.hstack ...
[1 3 5 1 2 3]
c shape: (6,)
下面给出二维数组的堆叠示例（二）：
arr1 = np.array([[1, 2, 3], [3, 3, 1]])
arr2 = np.array([[-1, -2, -3], [-3, -3, -1]])
print(arr1)
print(arr2)
print("arr1 shape:", arr1.shape)
print("arr2 shape:", arr2.shape)
print("hstack ...")
arr_h = np.hstack((arr1, arr2))
print(arr_h)
print("shape", arr_h.shape)
输出为：
[[1 2 3]
[3 3 1]]
[[-1 -2 -3]
[-3 -3 -1]]
arr1 shape: (2, 3)
arr2 shape: (2, 3)
hstack ...
[[ 1 2 3 -1 -2 -3]
[ 3 3 1 -3 -3 -1]]
shape (2, 6)
可以看出，numpy.hstack在水平向（列）堆叠是在两个数组arr1与arr2的第二个维度进行拼接。在上述例子中，第一个维度的size保持为2，第二个维度的size因为拼接的缘故，增长为3+3=6。
下面再给一个trick，如果例子（一）的数组a与b的形状变为二维，那么结果是否会变化呢？例（三）
print("\nnp.copy np.newaxis ...")
a1 = np.copy(a[:, np.newaxis])
b1 = np.copy(b[:, np.newaxis])
print("a1 shape:", a1.shape)
print("b1 shape:", b1.shape)
print("np.hstack ...")
c1 = np.hstack((a1, b1))
print(c1)
print("c1 shape:", c1.shape)
输出结果为：
np.copy np.newaxis ...
[[1]
[3]
[5]]
[[1]
[2]
[3]]
a1 shape: (3, 1)
b1 shape: (3, 1)
np.hstack ...
[[1 1]
[3 2]
[5 3]]
c1 shape: (3, 2)
例（四）。我们对例（一）进行修改，使用numpy.stack并指定堆叠的维度为0：
a = np.array([1, 3, 5])
b = np.array([1, 2, 3])
print(a)
print(b)
print("a shape:", a.shape)
print("b shape:", b.shape)
print("\nnp.stack axis=0 ...")
d = np.stack((a, b), axis=0)
print(d)
print("d shape:", d.shape)
输出结果为：
[1 3 5]
[1 2 3]
a shape: (3,)
b shape: (3,)
np.stack axis=0 ...
[[1 3 5]
[1 2 3]]
d shape: (2, 3)
根据例（一），（二），（三），（四），我们可以看出，numpy.hstack进行的列维度堆叠表现为：行维度不变，列维度增加。
numpy.vstack
官方文档给出的定义是：对数组进行垂直向（行）堆叠。该过程与第一维度（axis=0）的数组连接（concatenation）是等价的。对于一维数组(N,)，该方法首先将其转换为(1, N)形状，而后进行堆叠。
例（五）：
a = np.array([1, 3, 5])
b = np.array([1, 2, 3])
print(a)
print(b)
print("a shape:", a.shape)
print("b shape:", b.shape)
print("\nnp.vstack ...")
e = np.vstack((a, b))
print(e)
print("e shape:", e.shape)
输出结果为：
[1 3 5]
[1 2 3]
a shape: (3,)
b shape: (3,)
np.vstack ...
[[1 3 5]
[1 2 3]]
e shape: (2, 3)
可以看出，对一维数组而言，numpy.stack((a, b), axis=0)与np.vstack((a, b))是等价的。
例（六）：
arr1 = np.array([[1, 2, 3], [3, 3, 1]])
arr2 = np.array([[-1, -2, -3], [-3, -3, -1]])
print(arr1)
print(arr2)
print("arr1 shape:", arr1.shape)
print("arr2 shape:", arr2.shape)
print("\nvstack ...")
arr_v = np.vstack((arr1, arr2))
print(arr_v)
print("shape", arr_v.shape)
输出结果为：
[[1 2 3]
[3 3 1]]
[[-1 -2 -3]
[-3 -3 -1]]
arr1 shape: (2, 3)
arr2 shape: (2, 3)
vstack ...
[[ 1 2 3]
[ 3 3 1]
[-1 -2 -3]
[-3 -3 -1]]
shape (4, 3)
根据例（五）（六），我们可以看出，np.vstack在行纬度的堆叠体现在：行维度增加，列维度保持不变。
numpy.stack
- 指定堆叠的维度为0，则是行维度的堆叠
- 指定堆叠的维度为1，则是列维度的堆叠
