arr[0:2, 1:3] 表示在第0维（行）取索引0到1、第1维（列）取索引1到2，各维度切片独立作用于对应shape维度，非线性流程。

arr[0:2, 1:3] 这种写法到底在切什么

它不是“先切行再切列”的线性流程，而是**每个逗号分隔的索引项独立作用于对应维度**。比如 arr[0:2, 1:3] 中，0:2 作用于第 0 维（通常是行），1:3 作用于第 1 维（通常是列），如果是三维数组，arr[1, :, 2:5] 就表示：第 0 维取索引 1、第 1 维全取、第 2 维取 2~4。

• 维度顺序永远和 arr.shape 一致，别凭“行/列”直觉猜 —— arr.shape 是 (2, 3, 4)，那 arr[i, j, k] 就分别对应这三维
• 省略某个维度用 :，不是空字符串或 None；arr[:, 0] 合法，arr[, 0] 直接报 SyntaxError
• 负索引和步长都支持：arr[-2:, ::2] 表示最后两行、所有列中每隔一列取一个

切片边界超出时不会报错，但结果可能不是你想要的

NumPy 对越界切片很宽容：下界超了就当 0，上界超了就当该维长度，空范围（如 5:3）直接返回空数组。这容易掩盖逻辑错误。

• arr[10:15, 0:2] 在只有 3 行的数组上，等价于 arr[3:3, 0:2] → 返回 shape 为 (0, 2) 的空数组，不是报错
• 调试时别只看形状，用 arr[10:15, 0:2].size 检查是否真有数据
• 如果业务上不允许越界，得自己加判断：if start arr.shape[0]: raise ValueError(...)

布尔索引和整数索引混用时，逗号行为会变

一旦某维用了布尔数组或整数列表，NumPy 就切换到**高级索引模式**，此时逗号不再只是分隔维度，还触发广播和副本生成 —— 结果不再是原数组的视图，且维度顺序可能重组。

• arr[[0, 2], [1, 3]] 返回一维数组（两个点的值），不是二维子块
• arr[[True, False, True], 1:3] 返回 shape (2, 2)，但它是副本，修改不影响原数组
• 想保持视图 + 多维切片，就别在同一个 [] 里混用布尔/整数索引和切片；拆成两步：arr[bool_mask][..., 1:3] 或先切片再布尔筛选

性能陷阱：连续切片 vs 非连续索引

纯切片（:、start:stop、start:stop:step）几乎零拷贝，返回原内存的视图；只要夹杂一个列表或布尔数组，就会强制拷贝整个选中区域。

• arr[::2, ::2] 快，内存共享，适合大数组预处理
• arr[[0, 2, 4], :] 慢，即使只取三行，也会把这三行完整复制出来
• 高频访问场景下，用 np.take 或 np.compress 替代布尔索引有时能省一点开销，但优先保证逻辑清晰

多维切片真正的复杂点不在语法，而在于你是否清楚当前操作产生的是视图还是副本、维度顺序是否和 shape 严格对齐、以及混合索引时 NumPy 自动切换的模式。这些不显式报错，却会在后续计算中悄悄改变内存行为或结果形状。