np.stack报错因要求所有输入数组形状完全相同，而[ [1,2], [3,4,5,6], [7] ]长度不一、无法满足规则内存布局；此时应先转object数组暂存或pad对齐。
为什么 np.stack 会报错 "all input arrays must have the same shape"
当你尝试用 np.stack 或 np.vstack 合并形如 [array([1,2]), array([3,4,5,6]), array([7])] 的列表时，NumPy 直接拒绝——它要求每个子数组维度和长度完全一致。这不是 bug，是设计使然：NumPy 的核心数据结构 ndarray 必须有规则形状。强行堆叠不规则长度数组，等于要求内存连续布局容纳不同行宽，底层做不到。
用 np.array + dtype=object 保留原始结构
最轻量、零拷贝的对齐准备方式：把不规则列表转成 object 类型的一维数组，后续再按需处理。它不改变任何子数组，只是给它们套上 NumPy 容器外壳。
示例：
import numpy as np data = [np.array([1, 2]), np.array([3, 4, 5, 6]), np.array([7])] obj_arr = np.array(data, dtype=object) # shape: (3,), dtype: object
注意：obj_arr[0] 仍是 np.array([1, 2])，没被截断或补零；但你不能再用 obj_arr.sum(axis=1) 这类向量化操作——object 数组不支持跨元素广播运算。
立即学习“Python免费学习笔记（深入）”；
按最大长度补零（np.pad）实现真正批处理
若后续要进模型（如 PyTorch DataLoader）、做矩阵运算或统一归一化，就得拉平成规则二维数组。这时必须显式对齐：选最长子数组长度为 max_len，其余用 0（或 np.nan）填充。
python-docx Skill功能概述python-docx Skill是一项面向实际任务的技能，主要用于本Skill提供使用python-docx生成专业Word文档的标准方法和最佳实践；生成安全服务方案文档；核心要点生成技术架构设计文档；生成任何需要专业排版的Word文档；核心库 : python-docx；使用与执行辅助库 : docx.shared , docx.enum , docx.oxml.ns；标准代码模板；1. 文档初始化；2. 字体设置（必须！它将相关步骤、工具调用和结果整理方式集
关键步骤：
- 先用
[len(x) for x in data]扫一遍获取max_len，别依赖np.vectorize(len)（它对 object 数组返回 0） - 对每个子数组调用
np.pad(x, (0, max_len - len(x)), constant_values=0)，注意pad_width是元组，不是标量 - 最后用
np.vstack堆叠，得到 shape 为(len(data), max_len)的二维数组
性能提示：循环 pad 比纯 Python list comprehension 略快，但远不如预分配空数组后索引赋值；若数据量大且长度差异小，可考虑用 np.full((len(data), max_len), fill_value=np.nan) 初始化，再逐行切片赋值。
用 tf.keras.preprocessing.sequence.pad_sequences 替代手动 pad（适合深度学习流程）
如果你已在用 TensorFlow/Keras 做序列建模，直接用官方工具更省心：pad_sequences 默认左补零、支持 truncating 和 padding 参数控制方向，还内置 value 和 dtype 选项。
示例：
from tensorflow.keras.preprocessing.sequence import pad_sequences padded = pad_sequences(data, padding='post', maxlen=None, value=0.0) # 返回 shape=(3, 4) 的 int64 ndarray，自动按最长（4）补齐
注意：它会静默把输入转成 Python list 再 pad，若原始 data 是 object 数组，得先用 [x.tolist() for x in data] 转一下；另外它不保留原始 np.ndarray 子类型，全转成基础 Python list 后重建为 NumPy 数组。
对齐这件事本身没有银弹——object 数组适合中间暂存，pad 后数组适合计算，而框架专用函数适合嵌入训练流水线。选哪个，取决于你下一步要调哪个 API、能否接受内存复制、以及是否允许 nan 参与后续运算。
