合并不同形状数组前需确认是否真要合并，因np.concatenate等要求除拼接轴外维度一致，否则报错；常用替代方案包括填充后拼接、转对象数组、用列表暂存或np.pad统一形状。
合并不同形状数组前，先确认是否真要“合并”
多数情况下，所谓“合并不同形状数组”其实是误用术语——np.concatenate、np.stack、np.vstack 等函数都要求除拼接轴外其余维度必须一致。比如 np.concatenate([a, b], axis=0) 要求 a.shape[1:] == b.shape[1:]；否则直接报错 ValueError: all the input array dimensions for the concatenation axis must match exactly。
真正需要的往往是以下之一：
- 填充后拼接（如补 0 或 NaN）
- 转成对象数组（
dtype=object）保留原始形状 - 用列表暂存，后续按需处理（最灵活）
用 np.pad 统一形状再拼接
当多个数组在某轴上长度不一（如一批 1D 向量长度分别为 3、5、4），又确实需要堆成一个规则数组时，先 padding 再 concat 是最可控的方式。
示例：将 [array([1,2]), array([3,4,5,6]), array([7])] 补零对齐为 (3, 4) 形状：
立即学习“Python免费学习笔记（深入）”；
import numpy as np <p>arrays = [np.array([1,2]), np.array([3,4,5,6]), np.array([7])] max_len = max(len(a) for a in arrays) padded = [np.pad(a, (0, max_len - len(a)), constant_values=0) for a in arrays] result = np.vstack(padded) # shape (3, 4)</p><h1>[[1 2 0 0]</h1><h1>[3 4 5 6]</h1><h1>[7 0 0 0]]
注意点：
-
np.pad的pad_width参数是元组，(before, after)，别写反 - 补
np.nan时用constant_values=np.nan，但要注意 dtype 变为float64 - 多维数组 padding 更复杂，需指定每个轴的
pad_width，例如((0,0), (0,2))表示只在第二轴末尾补两列
用 np.array(..., dtype=object) 保形存储
如果只是想把几个形状各异的数组“装在一起”，不进行数值运算，对象数组是最轻量的选择。
示例：
arr1 = np.array([[1,2], [3,4]]) arr2 = np.array([10, 20, 30]) arr3 = np.array(42) <p>obj_array = np.array([arr1, arr2, arr3], dtype=object)</p><h1>obj_array[0] 是原二维数组，obj_array[1] 是一维，obj_array[2] 是标量
关键限制：
- 无法直接做向量化计算（
obj_array + 1会报错） - 索引返回的是原数组引用，修改
obj_array[0][0,0] = 999会影响原始arr1 - 不能传给大部分 SciPy 函数或 PyTorch/TensorFlow 输入接口
避免踩 np.hstack/np.vstack 的隐式升维坑
常见错误：对一维数组误用 vstack，结果得到意外形状。
比如：
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) np.vstack([a, b]) # 得到 (2, 3)，不是 (6,) —— 这是垂直堆叠，不是连接
真正想水平连接两个 1D 数组，该用：
-
np.concatenate([a, b])→ (6,) -
np.hstack([a, b])→ (6,)（等价于 concatenate） -
np.vstack([a, b])→ (2, 3)（把每个 1D 当作一行）
更隐蔽的问题：混合 1D 和 2D 数组调用 hstack 时，NumPy 会自动把 1D 升维成 (1, N)，导致拼接失败或形状诡异。务必显式检查 .ndim 和 .shape 再操作。
不同形状的本质是数据结构不兼容，强行“合并”往往掩盖了真正的数据建模问题。先想清楚下游怎么用，再选 padding、对象数组还是干脆用 Python 列表——后者在多数非计算密集场景里反而更稳。
