np.array_split 比 np.split 更适合分块大数组，因其能自动处理余数、不报错；它按 axis=0 默认行拆，需显式指定 axis=1 才列拆；返回子数组长度最多相差1，非严格均等。
np.array_split 为什么比 np.split 更适合分块大数组
因为 np.split 要求切分数量必须整除数组长度，否则直接抛出 ValueError: array split does not result in an equal division；而 np.array_split 会自动处理余数，把多出来的元素分配到前面几个子数组中，不报错、不中断，更适合真实场景下的“尽量均分”需求。
调用 np.array_split 的正确姿势和常见错误
核心是传对两个参数：要切的数组 + 切成几份（或切分点列表）。注意它默认按 axis=0 拆（即按行拆），如果想按列拆得显式指定 axis=1。
- 错误写法：
np.array_split(arr, 3)却期望每份长度完全相等 → 实际结果可能是 [34, 33, 33]，不是 [33, 33, 33] - 正确理解：
np.array_split(arr, n)返回的是n个子数组，长度最多相差 1 - 若需严格控制每块最大尺寸（比如每块 ≤ 1000 行），应改用
np.arange+ 切片，而不是硬凑n - 对高维数组，务必确认
axis参数：np.array_split(arr_2d, 4, axis=1)是按列均分，不是按行
处理超大数组时的内存与性能提醒
np.array_split 返回的是视图（view）或副本（copy）取决于底层内存布局，但不会额外复制整个原始数组 —— 它只是生成一组带不同 .shape 和 .strides 的 ndarray 对象。不过如果你后续对每个子数组做 .copy() 或写入操作，就会触发实际内存分配。
- 避免在循环里反复调用
np.array_split处理同一数组 → 拆一次存起来复用 - 若只是遍历处理，优先用生成器模式：
for chunk in np.array_split(big_arr, n_chunks): process(chunk) - 注意 Windows 上 NumPy 1.20+ 对超大数组（>2GB）切分可能触发
MemoryError，此时建议改用mmap或 Dask
替代方案：当需要“每块固定大小”而非“固定块数”时
比如你有一亿行数据，想每 10 万行一块，而不是分成 1000 块——这时 np.array_split 不直接适用，得手动构造索引。
立即学习“Python免费学习笔记（深入）”；
chunk_size = 100000 indices = np.arange(chunk_size, arr.shape[0], chunk_size) chunks = np.array_split(arr, indices, axis=0)
这段代码本质是把 indices 当作切分点传入，效果等价于循环切片，但更简洁。注意 indices 是位置索引，不是块数量。
真正容易被忽略的是 axis 维度匹配：一维数组用 axis=0 没问题，但二维数组若想按行切却写了 axis=1，结果会完全不对，且不报错。
