用.T还是.transpose()取决于维度：二维时等效且返回视图；高维时.T固定轴反转，.transpose()可自定义顺序；二者均默认返回视图，修改原数组会影响转置结果。
用
还是
？看是否要指定轴顺序
如果只是二维数组的行列互换，
和
效果一样，且都返回视图（不拷贝数据）；但一旦涉及三维及以上，
固定执行「轴反转」（比如 shape 为
时，
等价于
），而
允许你自由指定顺序。
是
的快捷方式，仅对二维数组直观；高维下容易误判结果
想把 shape
变成
，必须写
，不能依赖
支持传入元组或可变参数：两者等价 ——
和
转置后修改原数组值，会不会影响转置结果？
绝大多数情况下会。因为默认返回的是视图（view），不是副本（copy）。只要原数组支持写入、且转置没触发内存重排（比如非连续数组调用
有时被迫拷贝），修改任意一方都会同步反映到另一方。
检查是否为视图：用
或
需要独立副本？显式调用
：比如
对只读数组（
）做
，返回的视图也自动只读
遇到
怎么办？
这不是 NumPy 版本问题，而是你操作的对象根本不是
。常见于：误把列表、Pandas Series、TensorFlow 张量当成了 NumPy 数组。
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
下载
先确认类型：
，不是
就别硬用
Pandas Series 没有
，要用
或直接
（注意
在新版 pandas 中可能返回视图）
TensorFlow/PyTorch 张量需转成 NumPy：如
或
（确保在 CPU 上）
嵌套 Python 列表调用
会直接报错，得先
性能差异大吗？什么时候该避免转置？
纯转置操作本身几乎零开销（只是更新 shape 和 strides），但后续计算可能因内存不连续变慢。尤其在循环遍历或调用某些底层函数（如 BLAS）时，非连续数组会触发隐式拷贝或降速。
立即学习
“
Python免费学习笔记（深入）
”；
用
检查是否仍为 C 连续；若否，且后续要密集计算，考虑
避免链式转置：如
不会比
慢，但可读性差，也无必要
在函数内部频繁转置同一数组？不如一开始就按目标布局创建（比如用
）
实际写代码时，最常被忽略的是「转置后是否还连续」和「它到底是不是 ndarray」——这两点一错，后面所有计算都可能无声失效。
.T.transpose().T.transpose().T(2, 3, 4).T.transpose(2, 1, 0).transpose().T.transpose()(2, 3, 4)(3, 4, 2).transpose(1, 2, 0).T.transpose()a.transpose((1, 0))a.transpose(1, 0).Ta.base is not Nonea.flags['OWNDATA'] == False.copy()b = a.T.copy()a.setflags(write=False).TAttributeError: 'numpy.ndarray' object has no attribute 'T'ndarraytype(a)numpy.ndarray.T.T.to_numpy().T.values.T.valuestf_tensor.numpy().Ttorch_tensor.numpy().T.Tnp.array(lst)a.T.flags['C_CONTIGUOUS']a.T.copy()a.T.T.Ta.Tnp.empty((n, m), order='F')