---

前言

在使用 NumPy 进行数组与数值计算时，了解数组的形状（shape）和元素个数（size）是非常基础且重要的技能。很多初学者常把 np.size() 与 np.shape() 混淆，或在边界情况下（例如 0-D、非规则列表、或 object 数组）出现错误判断。本文将详细讲解两者的含义、函数与属性的用法、常见陷阱以及实用建议，并配上可直接运行的代码示例与小工具函数，便于测试与使用。

---

一、核心概念

• shape（或 np.shape(x)）返回形状元组，描述每一轴(axis)的长度，例如 (3, 4)。它表示数组的维度结构。
• size（或 np.size(x)）返回数组中元素的总数（所有轴长度的乘积），例如 12。np.size 还支持 axis 参数用于查询某一轴的长度。

---

二、API 速查表及实例

• arr.shape —— ndarray 属性，返回 tuple（例如 (m, n)）。推荐首选。

• np.shape(arr) —— 函数，接受任意 array-like，返回形状 tuple。对非规则嵌套序列的行为依赖于 np.array 的转换结果。

• arr.size —— ndarray 属性，返回元素总数（int）。推荐首选。

• np.size(arr, axis=None) —— 函数，返回元素总数或指定轴的长度。返回 int。

• 简单示例

import numpy as np

# 创建 3x4 数组
a = np.arange(12).reshape(3, 4)
print(a)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

print('shape:', a.shape)        # (3, 4)
print('np.shape:', np.shape(a)) # (3, 4)
print('size:', a.size)          # 12
print('np.size:', np.size(a))   # 12
print('np.size(axis=0):', np.size(a, axis=0))  # 3
print('np.size(axis=1):', np.size(a, axis=1))  # 4
print('ndim:', a.ndim)         # 2
print('len(a):', len(a))       # 3 (等同于 shape[0])

---

三、特殊情况与常见陷阱

1. 0-D（标量）数组

b = np.array(5)       # 0-D
print(b.shape)  # ()
print(b.size)   # 1
# 注意：b.shape[0] 会报错，因为 shape 是空 tuple

处理建议：在访问 shape[0] 之前，先检查 arr.ndim 或使用 len(arr) 仅在确实是至少 1-D 时使用。

2. 不规则（ragged）嵌套列表

c = [ [1, 2], [3, 4, 5] ]
arr = np.array(c)
print(arr)           # array([list([1, 2]), list([3, 4, 5])], dtype=object)
print(arr.shape)     # (2,)   —— 变成了 1-D 的 object 数组

说明：对不规则嵌套列表，np.array 会生成 dtype=object 的一维数组，此时 shape 不反映内部每个子列表长度， 使用 np.shape(c)（直接对 Python list 调用）会根据 Python 对象的序列规则返回 (2,)。小心不要误以为得到 (2, 3)。

3. 使用 shape[0] 的风险

当数组可能是 0-D 时，直接用 shape[0] 会抛出 IndexError。防护写法：

if arr.ndim >= 1:
    n_rows = arr.shape[0]
else:
    n_rows = 1   # 或者按需处理标量情况

4. len(arr) 的含义

len(arr) 返回最外层轴（axis 0）的长度，如果是 0-D（标量）数组会报 TypeError。因此 len 只在你确定数组至少是 1-D 时安全使用。

---

四、性能与使用建议

• 优先使用属性访问：对于 ndarray，使用 arr.shape / arr.size 比 np.shape(arr) / np.size(arr) 更直接且速度更快（属性访问避免函数调用开销）。
• 明确意图：如果目的是获取“元素总数”，用 arr.size；若目的是“某轴长度”，用 arr.shape[axis]。代码可读性更好，也更不易出错。
• 对外部/任意 array-like 使用 np.shape：当你接受任意 sequence（list/tuple/array-like）作为输入并需要安全获取形状信息，np.shape(obj) 是通用的。但请谨慎处理 ragged 情况。

---

五、常见场景 & 推荐写法

场景 1：验证数组是否为空

# 判空：没有元素
if arr.size == 0:
    # 处理空数组
    pass

场景 2：检查是否是向量或矩阵

if arr.ndim == 1:
    # 向量
elif arr.ndim == 2:
    # 矩阵

场景 3：按行/列循环

# 按行遍历（确保至少 2-D 或 1-D）
for i in range(arr.shape[0]):
    row = arr[i]

# 或更 Pythonic：
for row in arr:
    ...

场景 4：需要某轴长度但不确定 ndim

def axis_length(arr, axis=0):
    arr = np.asarray(arr)
    if axis < 0:
        axis = arr.ndim + axis
    if axis < 0 or axis >= arr.ndim:
        raise IndexError('axis out of range')
    return arr.shape[axis]

---

六、常用语句

• arr.shape —— 元组，例如 (m, n)。
• arr.size —— 元素总数（int）。
• len(arr) —— 等同于 arr.shape[0]（前提：arr.ndim >= 1）。
• np.shape(obj) —— 通用函数，适用于 array-like。对 ragged 列表会返回 (n,)。注意 dtype=object。
• np.size(obj, axis=k) —— 返回 axis k 的长度或总元素数。

---

七、实战示例

用 shape 和 size 做参数校验

import numpy as np

def validate_inputs(X, y=None):
    X = np.asarray(X)
    if X.ndim != 2:
        raise ValueError('X must be 2-D (n_samples, n_features)')
    if y is not None:
        y = np.asarray(y)
        if y.size != X.shape[0]:
            raise ValueError('y must have same number of samples as X')
    return X, y

上面示例展示了：用 shape 做结构检查，用 size 做元素计数比较，两者结合能写出稳健的输入校验逻辑。

---

总结

• shape 给出数组的结构（每轴长度），size 给出数组的元素数量（所有轴长度的乘积）。二者是不同维度的信息，但常一起使用以编写健壮的数值代码。
• 推荐风格：对 ndarray 使用 arr.shape / arr.size（优于 np.shape / np.size）；当接口接受任意 array-like 时，可用 np.asarray + 属性访问以标准化输入。对 0-D、非规则嵌套列表（ragged）等边界情况要显式处理，避免直接索引 shape[0] 或盲目使用 len。