一、vstack

vstack实现了轴0合并。vstack的字母v表示vertical的意思，相当是追加的意思

numpy.vstack(tup)

tup：两个数组，除第一轴外，所有阵列的形状都必须相同。一维数组必须具有相同的长度

shape（N，）的1维数组已重塑为（1，N）后沿第一轴进行连接

#这个是（2，），会变成（1,2），因此下面这两种结果是一样的
import numpy as np
a = [1,2]
b = [3,4]
c = np.vstack((a,b))
print(c)

#这个是（1,2）
a = [[1,2]]
b = [[3,4]]
c = np.vstack((a,b))
print(c)
'''
[[1 2]
 [3 4]]
[[1 2]
 [3 4]]
'''

总结：有两列数据，然后再转置

pd.DataFrame(c)

二、hstack

hstack表示轴1合并

a = [[1,2],
     [3,4]]
b = [[5],
     [6]]
print(np.hstack([a,b]))
# [[1 2 5]
#  [3 4 6]]

相当右边追加

三、dstack

看看之前使用到的

newvalues=np.dstack((np.repeat(t.reportno.values,list(map(len,t.data_list.values))),np.concatenate(t.data_list.values)))
pd.DataFrame(data=newvalues[0],columns=['reportno','data_list'])

沿深度方向（沿第三轴）按顺序堆叠数组

numpy.dstack(tup)

参数：

tup：sequence of arrays，两个数组，除第三个轴外，所有阵列的形状都必须相同。一维或二维阵列必须具有相同的形状。

值得注意的是：

shape（M，N）的2维数组已重塑为（M，N，1），shape（N，）的1维数组已重塑为（1， N，1），再按照第三维相加

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))
b = np.array((2,3,4))
np.dstack((a,b))
'''
np.dstack((a,b))[0] 和上面的结果也是一样的

array([[[1, 2],
        [2, 3],
        [3, 4]]])
'''
np.dstack((a,b)).shape  #(1, 3, 2)  沿第三轴相加，因此是1,3,2
a.shape  #(3,)
b.shape  #(3,)

再看二维的

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]]
'''

print(c[0])
print(c[1])
'''
[[1 5]
 [2 6]]
 
[[3 7]
 [4 8]]
'''

看来这么多内在的东西，我们总结一下：

参数是一维时，其实就是就是两列数据，我们需要弄成df中的两列，二维时不清楚，反正就是对位merge