在 Python 中，三个点 ... 不是注释或特殊语法糖，而是一个真实存在的单例对象：Ellipsis。它经常被用作临时占位符，也会出现在类型注解和 NumPy 多维切片中。写法相同，但三种场景表达的含义并不一样。
... 本身就是一个 Python 对象
可以直接在解释器中验证 ... 的身份：
print(...)
print(type(...))
print(... is Ellipsis)
输出类似：
Ellipsis
<class 'ellipsis'>
True
也就是说，... 是 Ellipsis 的字面量写法，两者指向同一个内置单例对象。需要判断它时，通常可以写：
value = ...
if value is Ellipsis:
print("尚未提供具体值")
不过，不要因为它方便，就把它用于所有“缺省值”场景。公共 API 如果需要区分“没有传参”和“显式传入 None”，定义一个语义明确的私有哨兵对象通常更清晰：
_MISSING = object()
def configure(value=_MISSING):
if value is _MISSING:
return "use default"
return f"use {value!r}"
当作占位符：合法，但不会提醒你补代码
函数、类和条件分支需要一个合法的语句体。除了 pass，也可以放置一个 ... 表达式：
def calculate_invoice_total(items):
...
class PaymentGateway:
...
if __name__ == "__main__":
print(calculate_invoice_total([]))
这段程序可以运行，并会打印 None。原因不是 Ellipsis 自动代表“尚未实现”，而是函数执行了一个没有副作用的表达式，随后自然返回 None。
这也带来一个风险：如果占位代码意外进入生产环境，它可能静默运行。对于运行时绝不能被调用的功能，显式抛出异常更安全：
def calculate_invoice_total(items):
raise NotImplementedError("invoice calculation is not implemented")
因此，可以把选择原则概括为：
- 临时搭建代码结构、类型存根或示例接口时，可以使用
...。 - 需要在误调用时立刻失败，应使用
raise NotImplementedError。 - 仅仅需要空语句时，
pass的意图通常更直接。
类型注解中的三个点表示什么
在类型表达式中，... 通常不是“待补充”，而是类型系统定义的一部分。两个常见例子是可变长度元组和参数列表不受约束的可调用对象。
from collections.abc import Callable
Coordinates = tuple[float, ...]
Formatter = Callable[..., str]
def join_coordinates(values: Coordinates) -> str:
return ", ".join(str(value) for value in values)
def run_formatter(formatter: Formatter) -> str:
return formatter("temperature", 23, unit="C")
def format_measurement(name, value, unit=""):
return f"{name}={value}{unit}"
print(join_coordinates((12.5, 18.0, 21.25)))
print(run_formatter(format_measurement))
这里的含义分别是：
tuple[float, ...]：元组可以有任意多个元素，但每个元素都应是float。Callable[..., str]：对象可以接受任意参数列表，但返回值应为str。
注意，Callable[..., str] 会放宽对参数的检查。如果参数结构已知，应该写得更具体：
from collections.abc import Callable
BinaryOperation = Callable[[int, int], int]
def apply(operation: BinaryOperation, left: int, right: int) -> int:
return operation(left, right)
类型注解本身通常不会在运行时自动拒绝错误参数，它主要供类型检查器、IDE 和代码审查使用。
NumPy 切片：让 Ellipsis 补齐中间维度
在 NumPy 中，... 表示“用足够数量的完整切片填充这里”，特别适合处理维度较多的数组。
运行下面的例子前先安装 NumPy：
python -m pip install numpy
然后保存并运行：
import numpy as np
cube = np.arange(2 * 3 * 4).reshape(2, 3, 4)
# 保留前面的所有维度，在最后一维取索引 0
first_channel = cube[..., 0]
# 与显式写出两个完整切片等价
explicit = cube[:, :, 0]
print("cube shape:", cube.shape)
print("selected shape:", first_channel.shape)
print(first_channel)
assert np.array_equal(first_channel, explicit)
# 固定第一维，其余维度全部保留
second_block = cube[1, ...]
assert np.array_equal(second_block, cube[1, :, :])
对于形状为 (2, 3, 4) 的数组：
cube[..., 0]等价于cube[:, :, 0]。cube[1, ...]等价于cube[1, :, :]。
Ellipsis 的价值在于不必手动计算中间有多少个维度。例如，一段代码只关心最后一个轴时，array[..., 0] 往往比根据数组维数动态拼装切片更稳定。
这不是 NumPy 独有的语法规则。Python 会把下标中的 ... 作为 Ellipsis 对象传给 __getitem__，具体如何解释由对象自己决定：
class IndexProbe:
def __getitem__(self, key):
print(repr(key))
return key
probe = IndexProbe()
probe[1, ..., 0]
输出会包含：
(1, Ellipsis, 0)
NumPy 正是在自己的索引实现中识别并展开这个对象。
使用时的快速判断
遇到三个点时，可以按上下文判断：
- 单独出现在函数或类的主体中：通常是占位表达式。
- 出现在
tuple[T, ...]中：表示任意数量的同类型元素。 - 出现在
Callable[..., R]中：表示参数列表不受约束，返回类型为R。 - 出现在 NumPy 下标中：表示补齐一个或多个完整维度切片。
- 出现在普通运行时代码中：它就是内置单例对象
Ellipsis。
... 的优势是短小，缺点也是短小：脱离上下文后，它的意图可能不够明确。占位代码要避免静默进入生产环境，类型注解要尽量具体，多维切片则应结合数组形状检查。只要分清“对象本身”和“使用它的库所赋予的语义”，这三个点就不会再显得神秘。