根本原因在于嵌套结构不一致，NumPy会自动降维或填充为object类型；如[[1,2],[3]]返回dtype=object的一维数组，无法向量化计算，需确保子列表长度相同或显式指定dtype。
用 np.array() 转列表时，为什么结果不是你想要的维度？
根本原因在于嵌套结构不一致，NumPy 会自动降维或填充为 object 类型。比如 [[1, 2], [3]] 这种非矩形嵌套，np.array() 不会报错，但返回的是 dtype=object 的一维数组，后续无法做向量化计算。
- 确保所有子列表长度相同，否则显式指定
dtype或先用np.vstack()/np.hstack()拼接 - 想强制转成数值型但含缺失项？用
np.array(..., dtype=float)，PythonNone会变nan，字符串数字会尝试转换 - 嵌套太深（如三维以上）且结构松散，优先考虑用
np.frompyfunc()或先规整数据，别硬塞np.array()
np.array() 的 dtype 参数到底什么时候必须写？
多数情况可以省略，NumPy 会推断；但推断结果常不符合预期——尤其是混合类型或含字符串时。
- 列表里有字符串和数字：
np.array([1, 'a'])→dtype=object，不是U1或float64 - 想存 Unicode 字符串又怕自动截断？显式写
dtype='U10'（10 个字符宽度） - 读 CSV 后手动构造数组，数值列混了空字符串，直接转会变
object，应先清洗再指定dtype=float
从 Python 列表创建数组，比直接用 np.zeros() 慢多少？
慢一个数量级起步。因为 np.array() 要遍历 Python 对象、做类型推断、内存拷贝；而 np.zeros() 直接分配连续内存块。
- 已知形状和类型？优先用
np.empty()+ 填充，或np.zeros()/np.ones() - 列表是临时生成的中间结果（比如列表推导式），别急着转数组；先确认是否真需要 ndarray 特性（广播、索引、ufunc）
- 大数据量（>10⁵ 元素）下，用
np.fromiter()替代np.array(list)可省内存和时间，但要求统一dtype
为什么 np.array([[1,2],[3,4]]) 是二维，但 np.array([1,2,3,4]) 是一维？
NumPy 看的是最外层容器的嵌套层级，不是“有没有方括号”。单层列表 → 1D；双层（列表里套列表）→ 2D；三层 → 3D。但前提是每层结构规则。
-
np.array([[[1]], [[2]]])是 (2, 1, 1)，不是 (2,)；多一层括号就多一维 -
np.array([1, [2, 3]])是object类型一维数组，不是二维——因为元素类型不一致，无法对齐维度 - 不确定结果维度？打印
.shape和.ndim，别靠肉眼数括号
object dtype，几乎所有 NumPy 加速特性就失效了**。 
