numpy不支持非均匀嵌套数组，会降级为dtype=object的一维数组而丧失向量化能力；应改用pandas.series+apply、列表推导式或补零/掩码后转均匀数组处理。
NumPy本身不支持非均匀形状的嵌套数组
直接用 np.array() 处理含不同长度子列表的嵌套结构（比如 [[1, 2], [3, 4, 5], [6]]）时，NumPy会静默降级为 dtype=object 的一维数组，失去向量化能力。这不是bug，而是设计使然：NumPy的核心优势依赖于连续内存与固定形状，非均匀结构天然违背这一前提。
常见错误现象包括：np.sum(arr, axis=1) 报 AxisError，arr.shape 返回奇怪的单维度（如 (3,)），甚至 arr[0] + arr[1] 触发 TypeError —— 因为此时每个元素是 Python list，不是 NumPy 数组。
用 np.array(..., dtype=object) 要非常谨慎
显式指定 dtype=object 确实能“塞进去”，但代价是几乎全部 NumPy 优化失效。你无法使用 np.dot、np.where、广播机制，甚至基础索引（如 arr[:, 0]）都会报错。
适用场景极少，仅限临时包装、后续立刻转成其他结构（如 pandas DataFrame 或自定义类），或做类型占位。不要把它当作“能用就行”的解决方案。
- 避免对
dtype=object数组调用任何带axis参数的聚合函数 - 不要期望
arr * 2实现逐子列表重复——它会尝试调用 Python list 的__mul__，结果不可控 - 检查方式：打印
arr.dtype，若为dtype('O')，就已掉进陷阱
真正可行的替代路径：pandas + apply 或列表推导式
当数据本质是非均匀的（例如每行 token 数不同、日志事件字段数不一），应放弃强行塞进 NumPy，改用更匹配的工具链。pandas 的 Series 可以自然容纳 list 类型元素，并支持向量化 .apply()；纯 Python 列表推导式在小规模下反而更清晰、更易 debug。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
示例：计算每个子列表的均值
import pandas as pd data = [[1, 2], [3, 4, 5], [6]] s = pd.Series(data) means = s.apply(lambda x: sum(x) / len(x)) # → [1.5, 4.0, 6.0]
或者不用 pandas：
means = [sum(sublist) / len(sublist) for sublist in data]
性能提示：如果子列表长度差异不大且数量极大（>10⁵），可先用 itertools.zip_longest 补零再转 np.array，但必须明确补零是否语义合理。
需要 NumPy 加速？先统一形状再处理
很多所谓“非均匀”问题，实际可通过预处理变成均匀结构。关键判断点：缺失值是否有意义？能否用掩码（mask）或特殊值（如 -999、np.nan）填充？
- 用
itertools.zip_longest(data, fillvalue=np.nan)转置后转np.array，得到 shape=(max_len, n_lists) 的数组，再用np.nanmean(..., axis=0) - 用
np.ma.masked_array配合布尔掩码，保留原始数据语义，避免填充值干扰计算 - 若填充不可接受（如时间序列中插值会扭曲趋势），那就别硬上 NumPy——该用 ragged tensor（TensorFlow/PyTorch）或专用库（如
awkward-array）就用
非均匀性不是“要克服的缺陷”，而是数据结构的真实约束。强行用 NumPy 压制它，往往比接受它并选对工具花更多调试时间。
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！
