axis=0插入行，axis=1插入列；axis指被操作的维度，与插入位置无关，只决定新增数据方向。
np.insert 插入行或列时 axis 参数到底填 0 还是 1？
填 axis=0 插入行，填 axis=1 插入列——这是唯一可靠判断方式，和“行在前、列在后”的直觉无关。NumPy 的 axis 指的是被操作的维度：对二维数组来说，axis=0 对应行方向（即沿第 0 轴切片会得到一行），插入操作就发生在该轴上，因此新增一“块”数据就是新增一行；同理 axis=1 新增一列。
常见错误是把 axis 和“想插到第几行/列”混淆。比如想在第 2 行前面插入，axis 仍是 0，只是 obj 参数要设为 2。
插入单行/单列时 values 必须匹配形状
向二维数组插入一行，values 必须是一维数组且长度等于原矩阵列数；插入一列，则 values 必须是一维数组且长度等于原矩阵行数。否则会报 ValueError: shape mismatch。
- 插入行：
np.insert(arr, obj=1, values=[10, 20, 30], axis=0)—— 前提是arr.shape[1] == 3 - 插入列：
np.insert(arr, obj=0, values=[100, 200], axis=1)—— 前提是arr.shape[0] == 2 - 如果用列表嵌套（如
[[10, 20, 30]]）插入行，它会被自动展平或广播，但行为不稳定，建议显式用一维np.array
插入多行/多列需确保 values 是二维且 axis 匹配
一次插入多行，values 必须是二维数组，且 values.shape[1] 等于原数组列数；插入多列则要求 values.shape[0] 等于原数组行数。此时 axis 仍为 0 或 1，不能变。
例如：
import numpy as np
a = np.array([[1, 2],
[3, 4]])
# 插入两行：values 是 2×2，axis=0
b = np.insert(a, obj=1, values=[[10, 20], [30, 40]], axis=0)
# b == [[1, 2],
# [10, 20],
# [30, 40],
# [3, 4]]
若误将 values 写成 [[10, 20, 30, 40]]（1×4），就会因列数不匹配而报错。
性能与内存：np.insert 每次都返回新数组，不适合循环反复插入
np.insert 不修改原数组，而是分配新内存并拷贝全部数据。若在循环中频繁调用（比如逐行构建大矩阵），时间复杂度趋近 O(n²)，实际运行会明显变慢。
- 替代方案：预先收集所有待插入行/列，拼成一个大块，再用一次
np.vstack/np.hstack或单次np.insert - 若必须动态扩展，考虑先用 Python 列表暂存，最后一次性转
np.array，比反复np.insert快一个数量级以上 - 注意：即使
values是标量（如values=99），NumPy 也会广播填充整行/列，但广播逻辑依赖原数组形状，容易隐含 bug
真正麻烦的地方在于：当插入位置 obj 超出范围（比如 obj=100）时，np.insert 不报错，而是静默追加到末尾——这会让索引越界问题难以发现。
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！
