pd.DataFrame() 构造需注意数组维度与形状：二维数组按行生成列，一维数组默认单列，三维及以上报错；列名和索引须用 columns/index 参数显式指定；结构化数组需用 tolist() 或字典推导式转换，避免全入 object 类型。
直接用 pd.DataFrame() 构造函数就能转，但数组维度、列名、索引这些细节不处理好，DataFrame 很容易“歪掉”或报错。
为什么 pd.DataFrame(arr) 有时列数不对？
NumPy 数组的形状决定 DataFrame 的行/列方向：二维数组默认按行生成列（即 arr.shape[1] 变成列数），一维数组会变成单列 DataFrame。如果原数组是 (10, 3)，结果就是 10 行 × 3 列；但要是 (3, 10)，就变成 3 行 × 10 列——容易和预期相反。
- 检查
arr.ndim和arr.shape，确认是否需要先arr.T转置 - 一维数组如
np.array([1,2,3])传进去会生成 3 行 1 列，不是 1 行 3 列；要变一行，得用arr.reshape(1, -1) - 三维及以上数组会直接报
ValueError: Must pass 2-d input，必须先降维或展平
怎么给列加名字、指定索引？
靠 columns 和 index 参数最直接，不依赖数组自带属性（NumPy 数组本身没列名概念）。
-
pd.DataFrame(arr, columns=['A', 'B', 'C'])—— 列数必须和arr.shape[1]一致，否则报ValueError: Shape of passed values is X, indices imply Y -
pd.DataFrame(arr, index=['row1','row2'])—— 行数需匹配，不匹配会静默截断或填充NaN - 混合使用时，
columns控制列名，index控制行标签，互不影响
从结构化 NumPy 数组（dtype 是复合类型）转要注意什么？
结构化数组（比如 np.array([(1,'a'),(2,'b')], dtype=[('id',int),('name','U10')])）不能直接用 pd.DataFrame(arr)，否则所有字段被塞进一列，类型变成 object。
- 正确做法是传入
pd.DataFrame(arr.tolist())或pd.DataFrame({name: arr[name] for name in arr.dtype.names}) - 前者简单但丢精度（比如
int64可能变int32），后者保留原始 dtype，推荐用于数值敏感场景 - 如果结构化数组含嵌套字段（如
dtype([('x', [('y', float)])])），tolist()会出错，必须手动展开
最常被忽略的是结构化数组的隐式类型退化——看着像能直接转，实际一执行就发现列全空或者全是 object，这时候得回头查 arr.dtype 是不是结构体。
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！
