numpy数组大小固定是设计使然，因其本质为连续、类型固定的内存块，支持高效向量化运算；resize修改内存而reshape仅改索引逻辑；动态收集数据应先用list再转array。
NumPy数组大小固定是设计使然，不是缺陷
因为 ndarray 本质是一块连续的、类型固定的内存块（C-style contiguous buffer），所有元素按顺序紧挨着存放。这种布局让向量化运算能直接用 CPU 的 SIMD 指令批量处理，也便于缓存预取——但代价就是：无法像 Python list 那样在末尾“追加”一个新元素而不挪动整块内存。
你调用 np.append() 或 np.concatenate() 时，背后一定发生三件事：分配一块新内存、把旧数据复制过去、再填入新数据。这不是“慢”，而是每次调用都 必然 O(n) 时间 + O(n) 内存开销。
resize 和 reshape 完全不是一回事
np.reshape() 只改索引逻辑，不碰内存——前提是总元素数不变。它只是告诉 NumPy “请把这 12 个数，按 3×4 看，别按 2×6 看”。而 np.resize() 是真改内存：如果新 shape 更大，它会重复填充原数组；如果更小，就截断；如果是不同维度，还会重排数据顺序。
-
a = np.array([1,2,3]); a.reshape(1,3)→ 返回新视图，a不变 -
a.resize((1,3))→ 直接修改a的shape和底层 buffer（若需扩容则补 0） -
np.resize(a, (5,))→ 返回新数组，原a不变，多出的两个位置填a[0]、a[1]循环值
真要动态收集数据？别硬刚 ndarray
如果你在循环中逐条接收传感器数据、日志记录或网络包，用 ndarray 边 append 边扩维，性能会随数据量指数级恶化。正确做法是：
- 先用 Python
list或array.array积累（前者灵活，后者省内存） - 等采集完成，一次性转成
np.array()——这是最廉价的转换 - 或者用封装好的动态缓冲类，比如知识库里的
DynamicArray，它内部用np.resize()扩容时按 1.25 倍增长，摊还成本接近 O(1)
注意：np.frombuffer() 能零拷贝接入 array.array 的内存，但要求 dtype 严格匹配（比如 array('d') 对应 np.float64）。
容易被忽略的坑：resize 的副作用和静默行为
ndarray.resize() 是就地修改，但它在某些条件下会静默失败：
- 如果数组是其他数组的 view（比如切片得来），调用
.resize()会直接报ValueError: cannot resize this array -
np.resize()函数版对 view 无此限制，但它返回的是新数组，原数组不受影响——这点极易混淆 - 扩容时填充值不是 0，而是原数组元素循环填充；缩容时也不警告，直接丢数据
真正安全的“改变大小”操作，只有 reshape（维数不变）、resize（确认是 owns its data）、或彻底重建（np.array(...)）。任何想绕过连续内存约束的尝试，最终都会回到“复制+重分配”这个物理事实。
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！
