因为a和b都只有一个轴，因为它们的形状是(3)，所以axis参数专门指要连接的元素的轴。
这个例子应该能说明concatenate对轴做了什么。2取两个向量和两个轴，形状为(2,3)：

a = np.array([[1,5,9], [2,6,10]])
b = np.array([[3,7,11], [4,8,12]])

沿着第1个轴连接（先连接第1个轴的行，然后连接第2个轴的行）：

np.concatenate((a,b), axis=0)
array([[ 1,  5,  9],
       [ 2,  6, 10],
       [ 3,  7, 11],
       [ 4,  8, 12]])

沿着第二个轴串联（第一个轴的列，然后是第二个轴的列）：

np.concatenate((a, b), axis=1)
array([[ 1,  5,  9,  3,  7, 11],
       [ 2,  6, 10,  4,  8, 12]])

要获得您提供的输出，可以使用vstack

a = np.array([1,2,3])
b = np.array([4,5,6])
np.vstack((a, b))
array([[1, 2, 3],
       [4, 5, 6]])

您仍然可以使用concatenate执行此操作，但首先需要重新塑造它们：

np.concatenate((a.reshape(1,3), b.reshape(1,3)))
array([[1, 2, 3],
       [4, 5, 6]])

最后，正如评论中所建议的那样，一种重塑它们的方法是使用newaxis：

np.concatenate((a[np.newaxis,:], b[np.newaxis,:]))

如果当前的实际问题是垂直连接两个一维数组，并且我们并不专注于使用concatenate来执行此操作，那么我建议使用**np.column_stack**：

In []: a = np.array([1,2,3])
In []: b = np.array([4,5,6])
In []: np.column_stack((a, b))
array([[1, 4],
       [2, 5],
       [3, 6]])

numpy的一个不太为人所知的特性是使用r_，这是一个快速构建数组的简单方法：

import numpy as np
a = np.array([1,2,3])
b = np.array([4,5,6])
c = np.r_[a[None,:],b[None,:]]
print(c)
#[[1 2 3]
# [4 5 6]]

a[None,:]的用途是向数组a添加一个轴。

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

效果和

np.array([[1,2,3], [4,5,6]])

不管是列表的列表还是1d数组的列表，np.array都试图创建2d数组。
但是理解np.concatenate和它的stack函数家族是如何工作的也是一个好主意，在这里concatenate需要一个2d数组列表（或者任何np.array可以转换成2d数组的东西）作为输入。
np.vstack首先循环输入，确保它们至少是2d的，然后进行连接。从功能上讲，这与自己扩展数组的维数是一样的。
np.stack是一个在新维度上连接数组的新函数。默认行为类似于np.array。
看看这些函数的代码。如果用Python编写，你可以学到很多东西。对于vstack：

return _nx.concatenate([atleast_2d(_m) for _m in tup], 0)

假设你有3个NumPy数组（A，B，C），你可以像这样垂直地连接这些数组：

import numpy as np
np.concatenate((A, B, C), axis=1)
np.shape