最稳妥做法是先用 np.pad 将所有数组补齐至相同 shape，再用 np.stack 合并；需显式计算目标 shape、注意 dtype 兼容性、避免隐式 object array，并优先右/下补零以适配序列场景。
用 np.pad 统一补齐再堆叠，别碰 np.concatenate 直接拼
直接 np.concatenate 多个形状不一致的数组会报 ValueError: all the input arrays must have same number of dimensions。根本原因是 NumPy 不允许在轴向上“自动补空”，必须显式对齐。最稳妥的做法是先用 np.pad 把所有数组 pad 成相同 shape，再用 np.stack 或 np.vstack 合并。
常见场景：读取一批 CSV 行数不同、模型输出 batch 中各序列长度不一、日志中每条记录字段数浮动。此时缺省值通常填 0、np.nan 或特定哨兵值（如 -999）。
- 优先选
np.stack（生成新轴），避免np.vstack对 axis=0 的隐式假设 -
np.pad的mode='constant'最常用；constant_values设为你需要的缺省值 - 补齐维度必须明确：比如所有数组要 pad 到最大行数 × 最大列数，不能只 pad 行或只 pad 列
- 如果原始数组 dtype 是
int但缺省值用np.nan，dtype 会自动升为float64—— 注意下游计算是否容忍浮点
手动算目标 shape，别依赖 np.array([...]) 自动推断
写 np.array([a, b, c]) 看似简洁，但当 a、b、c 形状不同时，NumPy 会尝试构造 object array，结果是 dtype=object，后续无法做向量化运算，且内存膨胀严重。
正确做法是提前遍历一次，拿到每个数组的 shape，取各维度最大值作为目标 shape：
立即学习“Python免费学习笔记（深入）”；
shapes = [x.shape for x in arr_list] target_shape = tuple(max(dim) for dim in zip(*shapes))
注意：这个方法只适用于所有数组维度数相同（如全是 2D）。如果混着 1D 和 2D，得先统一 reshape（比如把 1D 当作 (1, N) 或 (N, 1)）。
填充时小心 np.nan 和整数类型的冲突
用 np.nan 做缺省值很直观，但它只能存进 float 类型数组。如果你原始数组是 int32，np.pad(x, ..., constant_values=np.nan) 会静默转成 float64，且所有原值也变成浮点 —— 这可能破坏精度敏感逻辑（比如 ID 字段、索引偏移）。
- 整数场景推荐用特殊整数值填充，如
-1、0或2**31-1，并在后续操作中显式过滤 - 若必须用
np.nan，先显式转换 dtype：x.astype(float)再 pad，避免隐式转换带来的 dtype 混乱 - 检查最终合并数组的
dtype：merged.dtype，确保和业务预期一致
性能关键：避免循环中反复 np.pad + np.stack
如果数组数量多（比如上千个）、尺寸大（比如每个几 MB），逐个 pad 再 stack 会产生大量临时内存。更高效的方式是预分配目标数组，然后按索引拷贝：
merged = np.full((len(arr_list), *target_shape), fill_value=0, dtype=dtype)
for i, arr in enumerate(arr_list):
slices = tuple(slice(0, s) for s in arr.shape)
merged[i][slices] = arr
这样只分配一次内存，拷贝开销也比 pad 小。但要注意 fill_value 必须与 dtype 兼容（比如 dtype=int 时不能用 np.nan）。
真正容易被忽略的是：pad 的对齐方向。默认 np.pad 在前后都补，但实际常需右补或下补（比如时间序列补零在末尾）。这时得用 pad_width=((0, pad_r), (0, pad_c)) 显式控制，而不是依赖默认。
