Numpy：3维数组的合并 —— 还是3维，但最高维负责计数

前言：高维数组真正"有意义的数"是最底层的两维。这篇文章中已经明确说明：2维以上的数组，真正"有实际意义数值"的是最底层的两维，甚至可以说是最底层的那一维！

所以：当多个3维数组需要合并时，已知它们的"最高维/第三维"是没有实际意义，只起计数作用。那么多个3维数组的合并，其实就是"最高维/第三维"这个"计数维"的数值增大而已！

例如：有4个(5, 20, 20)的3维数组，它们要合并在一起时，其实就变为：(5+5+5, 20, 20) = (15, 20, 20)的一个3维数组。

包：import numpy as np
函数：np.concatenate()

实现很简单，一个例子就明白：

import numpy as np

a1 = np.zeros( (5, 20, 20) ) + 1
a2 = np.zeros( (5, 20, 20) ) + 2
a3 = np.zeros( (5, 20, 20) ) + 3
a4 = np.zeros( (5, 20, 20) ) + 4

# 一边用一个列表汇总它们，纯粹是为了方便：
origin_x = [a1, a2, a3, a4]

# 合并：
array_x = np.concatenate( origin_x, axis = 0 )

# 结果：
array_x.shape
Out[4]: (20, 20, 20)

补充：np.concatenate()函数中的"axis参数"怎么理解：
其实很好理解：原来数据是3维的，即有3个维度，这3个维度的编号就是0、1、2（从左往右、从高到低）；现在我们希望是在"最高维/第三维"合并，那axis就是0，即编号为0的那个维度。

注意：区分和这篇文章的不同：Numpy：2维数组的合并 —— 多一个最高维(3维)来记录