np.eye() 是生成非方阵“类单位矩阵”的唯一方法，如 np.eye(3,5) 得3×5矩阵、前3个对角元为1；而 np.identity() 仅支持方阵且不支持 dtype、k 偏移等参数，本质是 np.eye() 的受限封装。
np.eye() 怎么生成非方阵单位矩阵
需要非方阵的“类单位”结构（比如 3×5 矩阵，主对角线为 1，其余为 0）时，np.eye() 是唯一选择。np.identity() 只能返回方阵，硬传两个维度会报错。
常见错误现象：np.identity(3, 5) 直接抛 TypeError: identity() takes exactly 1 argument (2 given)；或者误以为 np.identity(3) 能控制列数，结果得到 3×3。
-
np.eye(3, 5)→ 3 行 5 列，前 3 个对角位置是 1 -
np.eye(4, 2)→ 4 行 2 列，只有前 2 行第 0、1 列是 1 -
k参数可偏移对角线：np.eye(3, k=1)把 1 放在上对角线
np.identity() 和 np.eye() 生成方阵时行为差异
两者都可生成方阵，但默认行为和参数灵活性不同。多数人用 np.identity(n) 图省事，但它本质是 np.eye(n) 的受限封装。
使用场景：如果只要标准 n×n 单位阵，二者结果完全一致；但一旦需要指定 dtype、偏移或子对角线，np.eye() 是唯一路径。
-
np.identity(4)固定 dtype=float64，不能改 -
np.eye(4, dtype=int)可控类型，避免后续计算隐式转换 -
np.eye(4, k=-1)生成次对角线为 1 的矩阵，np.identity做不到
dtype 不一致导致的隐性 bug
默认 float64 的单位矩阵参与整数数组运算时，可能触发静默类型提升，放大内存占用或拖慢速度——尤其在大矩阵或循环中反复创建时。
性能影响：一个 np.eye(1000) 占约 8MB；改成 np.eye(1000, dtype=np.float32) 直接减半；若业务确定只做索引或布尔掩码，dtype=bool 更省。
- 和整数数组点乘前，先确认 dtype 是否匹配：
np.eye(100, dtype=int) @ A - 用
np.eye(n, dtype=your_array.dtype)对齐已有数据类型 - 避免写
np.identity(n).astype(int)—— 多一次拷贝，且 float→int 可能截断
为什么 np.identity() 还没被弃用
它存在主要是历史兼容和语义明确：当逻辑上“必须是一个严格方阵单位阵”，用 np.identity() 是一种自我注释，比 np.eye(n) 更直白表达意图。
但要注意：它的签名没留扩展余地，所有增强功能（非方阵、k 偏移、自定义 dtype）都只能靠 np.eye()。实际项目里，除非团队规范强制区分语义，否则统一用 np.eye() 更少出错。
容易被忽略的一点：文档里明确写了 np.identity 是 np.eye 的别名，但它的源码实现确实是独立函数，不转发参数——这意味着它未来也不会支持新特性。
