空数组的 shape 是 (0,)，表示一维且长度为 0；(0) 是整数、[] 是列表，均错误；() 表示零维标量，与 (0,) 本质不同；判断空数据应使用 np.prod(arr.shape) == 0。
空数组的 shape 是 (0,)，不是 [] 或 (0)
NumPy 中 np.array([]) 的 shape 确实是 (0,) —— 这是一个含一个元素的元组，末尾逗号不可省略。它明确表示「一维、长度为 0」。写成 (0) 是整数，不是元组；写成 [] 是列表，类型错误。Python 元组语法要求单元素元组必须带逗号，否则解析失败。
常见错误现象：
- 误以为
np.array([]).shape == (0)→ 实际报False，因为(0)是 int，(0,)是 tuple - 用
if arr.shape == (0,):判断空数组 → 正确；但若写成if len(arr) == 0:，对 object 数组可能失效（比如np.array([[], [1]])的len()是 2）
shape 为 () 的是标量（0 维），不是空数组
np.array(42).shape 返回 ()（空元组），代表零维标量。它和 (0,) 有本质区别：() 表示“没有维度”，(0,) 表示“有一个维度，该维度大小为 0”。二者不能互换，广播、索引、reshape 都会失败。
使用场景差异：
立即学习“Python免费学习笔记（深入）”；
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 当你调用
np.sum(arr, axis=0)得到一个标量时，它的shape是()，不能再做[:, 0]切片 - 而
np.array([])虽为空，仍是一维容器，支持.reshape(-1, 1)（变成(0, 1)），但np.array(42).reshape(-1, 1)会报ValueError: cannot reshape array of size 1 into shape (...,1)
为什么不能用 len() 或 ndim 替代 shape 判断空结构
len() 只对第一维有效，ndim 只告诉维度数量，都不足以区分 (0,)、(0, 0)、(1, 0)、() 这些关键形态。例如：
-
np.array([]).shape == (0,)→len() == 0,ndim == 1 -
np.array([[]]).shape == (1, 0)→len() == 1,ndim == 2，但仍是“空内容” -
np.array([[1,2],[3,4]]).shape == (2, 2)→ 同样len() == 2，但完全不是空的
所以判断“是否为空数据”，必须看 np.prod(arr.shape) == 0，而不是只看 len(arr) == 0。
(0,) 和 (0, 1) 在矩阵运算中行为完全不同
一维空数组 (0,) 无法直接参与 @（matmul），因为缺少第二维；而二维空数组 (0, 1) 可以与 (1, 5) 相乘，结果是 (0, 5) —— 这是合法广播。
实操建议：
- 想构造可参与二维运算的空占位符，用
np.empty((0, n))或np.zeros((0, n))，别用np.array([]) - 从 pandas DataFrame 转 NumPy 时，
df.iloc[[]].values返回(0, n)，不是(0,)；注意列数n是否一致 - 拼接多个数组前，先统一 shape：用
arr.reshape(-1, 1)把(0,)转成(0, 1)，否则np.vstack会因维度不匹配报错
真正容易被忽略的是：空数组的 shape 不仅描述“有没有数据”，更决定它能否接入后续 pipeline —— 尤其在批量预处理中，(0,) 常 silently 导致下游 reshape 失败或广播异常，而错误堆栈里根本不会提“空”字。
