np.pad不能直接处理嵌套非等长列表，因为np.array()会将其转为object dtype一维数组，而np.pad仅支持规则ndarray；需先统一行长度再pad，常用方法是计算max_len后逐行补零或用zip_longest列对齐填充。
为什么 np.pad 不能直接处理嵌套非等长列表？
当你把一堆长度不同的 Python 列表（比如 [[1,2], [3,4,5,6], [7]]）直接传给 np.array()，NumPy 会退化成 dtype=object 的一维数组，而不是你想要的二维矩阵。此时调用 np.pad 会报错或静默失效——因为它只对规则 ndarray 生效，不理解“每行 pad 多少”这种逐行逻辑。
真正该做的，是先统一维度再 pad，而不是试图让 np.pad 去“猜”每行目标长度。
手动对齐：用 max(len(row) for row in data) 算出目标宽度
这是最可控、最不易出错的方式。你明确知道每行要补多少个值，且能自由选择填充值和位置。
- 先遍历原始数据，用
max(len(x) for x in data)得到最长行长度max_len - 对每一行
row，用[0] * (max_len - len(row))补零（或用np.pad(row, (0, max_len - len(row)), constant_values=0)） - 最后用
np.array(padded_rows)构造二维数组，dtype通常自动推断为int64或float64
示例：
立即学习“Python免费学习笔记（深入）”；
data = [[1, 2], [3, 4, 5, 6], [7]] max_len = max(len(row) for row in data) # → 4 padded = [row + [0] * (max_len - len(row)) for row in data] arr = np.array(padded) # [[1 2 0 0] # [3 4 5 6] # [7 0 0 0]]
用 itertools.zip_longest 转置式填充（适合左对齐+填空值）
如果你希望“列对齐”而非“行右补”，比如把缺失位置填 np.nan 并保持数值列语义，zip_longest 更自然。
- 它按列拉取元素，缺位时用
fillvalue替代，结果是“转置后”的元组序列 - 再套一层
zip(*...)转回来，或直接np.array(list(...)).T - 注意：
fillvalue类型需与数据兼容；若原数据是 int，填np.nan会强制升为float64
示例：
立即学习“Python免费学习笔记（深入）”；
from itertools import zip_longest data = [[1, 2], [3, 4, 5, 6], [7]] padded_cols = list(zip_longest(*data, fillvalue=np.nan)) arr = np.array(padded_cols).T # [[ 1. 2. nan nan] # [ 3. 4. 5. 6.] # [ 7. nan nan nan]]
避免踩坑：别碰 np.stack 和 np.vstack 直接拼非等长数组
这两个函数要求所有输入数组 shape 兼容，否则立刻抛 ValueError: all input arrays must have same number of dimensions 或更模糊的 ValueError: array dimensions must agree。它们不是填充工具，而是堆叠工具。
-
np.stack([a,b,c], axis=0)：要求a.shape == b.shape == c.shape -
np.vstack([a,b,c])：要求除 axis=0 外其余维度一致，即每行必须等长 - 试图绕过检查（如先转 object 数组再 stack）只会得到无法计算的
objectdtype，后续arr.sum()会报错
对齐这件事，没有捷径。必须显式决定每行补多少、补什么、往哪补——机器不会替你做这个业务判断。
