多维数组出错主因是维度与内存结构理解偏差；需先用shape检查形状，避免空数组索引、0维数组误加括号、赋值形状不匹配、拼接广播失败及列表初始化陷阱。
多维数组出错，往往不是代码写错了，而是对“维度”和“内存结构”的理解偏差了。调试的关键不在于逐行查语法，而在于看清数组实际长什么样、你操作的位置是否真的存在、左右两边是否能对上。
检查形状：先看shape，再动手
几乎所有多维数组错误都源于形状不匹配。别猜，直接打印：
-
用
arr.shape看清每个维度长度，比如(4, 0)是空二维数组，(5,)是一维，()是标量 - 对空数组（如
np.array([])或np.empty((3, 0))）做索引[0, 0]必报IndexError - 对 0 维数组（如
np.array(42)）加方括号索引，会触发too many indices
赋值与索引：位置必须“一对一”
给多维数组某个位置赋值，右侧数据的形状必须和左侧“被赋值区域”的形状严格一致：
-
arr[1, 2] = 99→ 只能放一个标量 -
arr[1, :] = [1, 2, 3]→ 左侧是长度为 3 的一维切片，右侧也得是 (3,) 形状 -
arr[0] = [[1, 2], [3, 4]]→ 错误！左侧是第 0 行（假设是 (n,)），右侧却是 (2, 2)，形状不兼容
拼接与广播：维度对齐是前提
用 np.concatenate、np.stack 或做加减乘除时，系统会按广播规则自动对齐维度。但前提是“能对齐”：
- 拼接两个数组前，确认它们在要拼接的轴上其他维度完全一致，例如沿 axis=0 拼接，要求除第 0 维外其余维度相同
-
np.array([1,2,3]) + np.array([[10],[20]])是合法的（广播成 (2,3)），但+ np.array([10,20])就非法（(3,) 和 (2,) 无法广播） - 不确定时，显式 reshape：把
(3,)改成(1, 3)或(3, 1)，再试一次
初始化陷阱：别用 [[0]*n]*m
纯 Python 列表模拟多维数组时，这个写法是经典坑：
-
b = [[0]*3] * 4创建的是 4 个指向同一内部列表的引用，改一个就全变 - 正确写法是用列表推导：
[[0 for _ in range(3)] for _ in range(4)] - 真正处理数值计算，请直接用
np.zeros((4, 3))或np.empty((4, 3))，安全又高效
