直接读 shape 属性是最可靠的方式，它返回包含各轴长度的 tuple，不触发拷贝或计算，适用于所有 ndarray（包括空数组和 0 维标量），且在 hdf5/dask 等延迟加载场景下仍可立即访问。
直接读 shape 属性是最可靠的方式
NumPy 数组的维度和大小信息全部存在 shape 属性里，它返回一个 tuple，每个元素对应一个轴的长度。这不是“一种方法”，而是唯一推荐的、底层直连的访问方式——不触发拷贝、不走计算逻辑、不依赖 dtype 或内存布局。
常见错误是试图用 len(arr) 或 arr.ndim 单独判断维度结构：len(arr) 只返回第一维长度，arr.ndim 只给数字，两者都丢失具体各轴尺寸。比如 arr = np.ones((2, 3, 4))，len(arr) 是 2，但你根本看不出后面还有 3 和 4。
-
arr.shape永远可用，哪怕数组为空（如np.array([]).shape→(0,)）或有 0 维（np.array(42).shape→( )，注意是空 tuple） - 不要用
np.shape(arr)函数替代——它只是对arr.shape的封装，多一层调用，且对非数组对象（如 list）会尝试转换，反而引入意外行为 - 如果数组来自 HDF5 或 Dask 等延迟加载源，
shape仍可立刻读取，因为形状元数据在打开时就已确定
遇到 AttributeError: 'list' object has no attribute 'shape' 怎么办
这个报错说明你手上的根本不是 NumPy 数组，而是一个 Python list 或其他原生容器。NumPy 的所有属性和方法（包括 shape、dtype、ndim）只属于 np.ndarray 实例。
典型场景：从 JSON 加载数据后直接传给绘图函数，或用 append() 动态构建列表再想查 shape；也可能是误用了 np.asarray() 但没赋值回变量。
- 先确认类型：
type(my_data)，如果是<class></class>，那就必须显式转成数组：arr = np.array(my_data) -
np.array()和np.asarray()行为不同：前者一定新建副本，后者对已是 ndarray 的输入不复制——若你只读不改，用asarray更省内存 - 嵌套 list 深度不一致会导致
np.array()生成objectdtype 数组，此时shape虽然存在，但失去数值意义（如[[1,2], [3]]→(2,)，不是你期待的二维）
shape 返回的 tuple 怎么安全取值
arr.shape 是个普通 tuple，可以按索引取单个维度，比如 arr.shape[0] 是行数，arr.shape[-1] 是最后一维长度。但直接写 arr.shape[1] 很容易崩——只要数组是 1D 的，就会 IndexError。
别硬写下标，用更健壮的方式适配不同维度：
- 检查维数再取：
rows = arr.shape[0] if arr.ndim >= 1 else 1，cols = arr.shape[1] if arr.ndim >= 2 else 1 - 用解包配合星号处理不确定长度：
*_, last_dim = arr.shape可安全拿到最后一维，不管前面几维 - 需要兼容 0 维标量？
arr.shape or (1,)把空 tuple 转成(1,)，避免后续 reshape 失败
为什么有时候 shape 显示奇怪数字，比如 (1, -1) 或 (0,)
shape 本身不会出现 -1——那是 reshape 方法里的占位符，不是真实 shape。如果你看到 -1，说明你正在看 reshape(-1, 3) 这类调用的参数，而不是 arr.shape 的输出。
真正要注意的是 (0,)、(0, 5) 这类含零的 shape：它们合法，表示空数组，但很多下游操作会报错或静默失败（比如 np.dot 要求非空，plt.imshow 无法渲染空矩阵）。
- 空数组常出现在过滤结果为空时：
arr[arr > 100]如果没匹配项，返回shape=(0,)的视图，不是异常 - 创建时指定
shape=(0, 5)是允许的，但arr[0]会越界；要用arr.size == 0或arr.shape[0] == 0显式判断空性 - 某些 C 扩展库（如 OpenCV）对空 shape 支持差，传入前务必加保护逻辑
shape 里，但它不自动帮你判断业务逻辑是否合理——比如你预期二维却得到一维，或者 shape 显示有数据但实际全是 NaN，这些得靠你自己加校验。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
