本文介绍一种纯 python 实现方式，用于获取二维方阵或矩形矩阵中上三角区域（严格上三角，即排除主对角线）所有元素的行索引与列索引，无需依赖 numpy。
在数值计算和矩阵操作中，常需遍历或提取矩阵的上三角部分（如计算相关系数矩阵、构造对称图邻接表等）。虽然 numpy.triu_indices() 可一键返回行、列索引元组，但在嵌入式环境、轻量级脚本或受限依赖场景下，我们往往需要纯 Python 解法。
核心思路是：对第 i 行，其上三角有效列索引为 i+1, i+2, ..., n-1（假设矩阵为 n×n 方阵；若为矩形，取 min(n, m) 作为列上限更稳妥）。我们逐行生成这些索引，并分别收集行号与列号。
以下为完整、健壮的实现（支持非方阵，自动适配实际列数）：
def upper_triangle_indices(matrix):
"""
返回严格上三角区域（不含主对角线）的 (row_indices, col_indices) 元组。
支持二维列表（list of lists），不要求为方阵。
"""
if not matrix or not matrix[0]:
return [], []
n_rows = len(matrix)
n_cols = len(matrix[0]) # 以首行为基准，建议确保每行长度一致
row_indices = []
col_indices = []
for i in range(n_rows):
# 当前行的有效列范围：从 i+1 开始，但不超过 n_cols - 1
start_col = i + 1
end_col = min(n_cols, start_col + (n_cols - start_col)) # 等价于 min(n_cols, n_cols)
# 更简洁写法：
valid_cols = range(start_col, n_cols)
row_indices.extend([i] * len(valid_cols))
col_indices.extend(valid_cols)
return row_indices, col_indices
# 示例使用
matrix = [[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]
rows, cols = upper_triangle_indices(matrix)
print("行索引:", rows) # [0, 0, 1]
print("列索引:", cols) # [1, 2, 2]
print("对应元素:", [matrix[i][j] for i, j in zip(rows, cols)]) # [2, 3, 6]✅ 关键说明：
- 该方法不依赖任何外部库，仅使用内置 range 和列表操作；
- 自动兼容矩形矩阵（例如 4×3 矩阵中，第 2 行（i=2）起始列为 3，已超出列数，故无索引生成）；
- 返回两个平行列表，可直接用于后续索引访问（如 zip(rows, cols) 构造坐标对）；
- 时间复杂度为 O(n²)，空间复杂度 O(k)，其中 k 为上三角元素个数（≈ n²/2）。
⚠️ 注意事项：
- 输入矩阵应为“规则”二维列表（各行长度一致），否则可能引发 IndexError；可在函数开头添加校验（如 all(len(row) == n_cols for row in matrix)）；
- 若需包含主对角线，将 start_col = i + 1 改为 start_col = i 即可；
- 对于大型矩阵，纯 Python 循环性能低于 NumPy 向量化操作，但本方案胜在通用性与可移植性。
掌握此技巧，你便能在无 NumPy 环境中灵活操控矩阵结构——无论是构建稀疏索引、实现自定义矩阵运算，还是调试算法逻辑，都多了一把趁手的“纯 Python 解剖刀”。
