對于形狀為$(10000,1,304)$的三維數據，若需使用scipy.stats.ks_2samp進行KS檢驗，可按以下步驟處理：

1. 數據降維
   KS檢驗要求輸入為一維數組，需將三維數據展平或按特定維度聚合：
   ? 方法1：沿最后一維展開

將每個樣本的304個特征視為獨立數據點（適用于特征獨立場景）：

import numpy as np
data_reshaped = original_data.reshape(-1)  # 形狀變為(10000*1*304,)

? 方法2：按樣本聚合

若需保留樣本獨立性，可對每個樣本的304個特征計算統計量（如均值、最大值），生成一維數組：

data_aggregated = original_data.mean(axis=2).flatten()  # 形狀(10000,)

2. 分維度檢驗
   若需比較不同特征維度的分布差異，可逐維度進行KS檢驗：

from scipy import stats
results = []
for i in range(304):dim_data = original_data[:, 0, i]  # 提取第i個特征維度ks_result = stats.ks_2samp(dim_data, reference_data)  # 與參考數據比較results.append(ks_result)

3. 注意事項
   ? 數據連續性：KS檢驗適用于連續分布，離散數據需謹慎。

? 樣本量：大樣本易導致p值敏感，需結合效應量（如D值）判斷實際差異。

? 缺失值：需提前處理NaN值，否則會報錯。

4. 替代方案
   若數據為多變量分布，可考慮：
   ? 多變量KS檢驗（如基于距離的檢驗）。

? 單變量漂移檢測方法（如Jensen-Shannon距離、海林格距離）。

如需進一步分析數據漂移或模型性能，建議結合可視化（如CDF曲線）輔助判斷。