NumPy 允许数组形状包含 0，但在对大小为 0 的数组调用 reshape((-1, 0)) 时会报错，根本原因在于 -1 需通过总元素数除以其他维度积推导，而 0 / 0 在数学上无定义，并非 bug，而是设计上的必然限制。

numpy 允许数组形状包含 0，但在对大小为 0 的数组调用 `reshape((-1, 0))` 时会报错，根本原因在于 `-1` 需通过总元素数除以其他维度积推导，而 `0 / 0` 在数学上无定义，并非 bug，而是设计上的必然限制。

在 NumPy 中，形状中含 0 是完全合法的——例如 np.array([[]]) 创建的是一个 (1, 0) 的二维空数组，其 size == 0（即不含任何标量元素）。此时调用 reshape 时，若显式指定所有维度（如 reshape((1, 0)) 或 reshape((5, 0))），只要新形状的总元素数仍为 1 × 0 = 0，操作即可成功：

import numpy as np

arr = np.array([[]])  # shape: (1, 0), size: 0
print(arr.shape)           # (1, 0)
print(arr.size)            # 0

# ✅ 显式指定维度：均合法（乘积为 0）
print(arr.reshape((1, 0)).shape)   # (1, 0)
print(arr.reshape((7, 0)).shape)   # (7, 0)
print(arr.reshape((0,)).shape)     # (0,) —— 一维空数组，也合法

但当使用 -1 占位符（如 reshape((-1, 0))）时，NumPy 需反解未知维度：设新形状为 (d, 0)，则须满足 d × 0 == arr.size == 0。该等式对任意 d 都成立（因为 0 × d = 0），因此 d 无法唯一确定——这本质上是数学上的「不定式」（类似 0/0），而非计算失败。故 NumPy 主动抛出 ValueError，拒绝模糊推断。

值得注意的是，错误信息 "cannot reshape array of size 0 into shape (0)" 具有误导性：arr.reshape((0,)) 实际是合法的（见上方示例），真正不合法的是 (-1, 0) 这类需解方程的场景。

✅ 正确实践建议：

• 避免对空数组使用 -1 与 0 组合（如 (-1, 0)、(0, -1)）；
• 若需动态适配首维，先显式计算：arr.reshape((-1 if arr.size else 0, 0)) 不适用，应改用 arr.reshape((0, 0))（若逻辑允许）或提前分支处理；
• 更健壮的方式是用 arr.reshape(-1, 0) 仅当确保 arr.size > 0，否则加守卫：

def safe_reshape_to_col(arr):
    if arr.size == 0:
        return arr.reshape(0, 0)  # 或根据语义返回 (0, 1) / (0, -1) 等明确形状
    return arr.reshape(-1, 0)

result = safe_reshape_to_col(np.array([[]]))
print(result.shape)  # (0, 0)

总结：NumPy 对 (-1, 0) 的限制源于数学确定性要求，不是缺陷，而是严谨性的体现。开发者需理解空数组形状的语义，并在代码中主动处理零尺寸边界情况，而非依赖自动推断。