一个数组的shape是它的维数的元组。一个一维数组的形状是（n，）。一个二维数组的形状是（n，m）（就像你的例子2和3），一个三维数组的形状是（n，m，k）等等。
因此，虽然第二个和第三个示例的形状不同，但两种情况下的尺寸均为2：

>>> a= np.array([[1,2,3],[4,5,6]])
>>> a.shape
(2, 3)
>>> b=np.arange(15).reshape(3,5)
>>> b.shape
(3, 5)

如果你想在你的例子中添加另一个维度，你必须这样做：

a= np.array([[[1,2,3]],[[4,5,6]]])

或

np.arange(15).reshape(3,5,1)

您可以通过以下方式继续添加维：
一维：

>>> a = np.zeros((2))
array([ 0.,  0.])
>>> a.shape
(2,)
>>> a.ndim
1

两个维度：

>>> b = np.zeros((2,2))
array([[ 0.,  0.],
       [ 0.,  0.]])
>>> b.shape
(2,2)
>>> b.ndim
2

三个维度：

>>> c = np.zeros((2,2,2))
array([[[ 0.,  0.],
        [ 0.,  0.]],
       [[ 0.,  0.],
        [ 0.,  0.]]])
>>> c.shape
(2,2,2)
>>> c.ndim
3

四个维度：

>>> d = np.zeros((2,2,2,2))
array([[[[ 0.,  0.],
         [ 0.,  0.]],
        [[ 0.,  0.],
         [ 0.,  0.]]],
       [[[ 0.,  0.],
         [ 0.,  0.]],
        [[ 0.,  0.],
         [ 0.,  0.]]]])
>>> d.shape
(2,2,2,2)
>>> d.ndim
4

虽然@atomh33ls有一个很棒的书面答案，但我生成了这个可视化视图，以帮助沟通numpy.ndarray.shape和numpy.ndarray.ndim之间的差异。
在此视觉效果中，ndim会随着每一个新滑杆移动到1以上而增加。当m设定为1，并以shape(1,)定义一维ndarray时，会先看到这种情况。
请注意，我使用m、n和k来表示每个附加维度的长度。