np.trace()专用于计算二维数组主对角线和，支持offset偏移与dtype精度控制；对高维数组需显式指定axis1/axis2，非方阵会报错，性能优于sum(diag())且不产生中间数组。
trace 函数直接计算二维数组主对角线元素和
numpy.trace() 是专为提取并求和主对角线（从左上到右下）设计的函数，只对二维数组（即 shape 为 (n, n) 或 (m, n)）有效。它默认取 axis1=0, axis2=1 对应的两个轴，把其余维度视为批量处理维度。
常见错误是传入一维数组或三维以上数组却没指定轴——此时会报 ValueError: Input must be 2-D。若你有一个形状为 (5, 4, 4) 的批量矩阵，可以加参数 axis1=1, axis2=2 让它沿后两维算迹，结果为长度为 5 的一维数组。
- 对
arr = np.array([[1, 2], [3, 4]])，np.trace(arr)返回5 - 对
arr = np.arange(24).reshape(2, 3, 4)，np.trace(arr, axis1=1, axis2=2)报错：因为3 != 4，非方阵无法取主对角线 - 若想强制取前 min(m,n) 个元素和，得手动切片：
np.diag(arr).sum()（但np.diag()对非方阵返回的是扁平化对角线，行为与trace不同）
trace 支持 offset 和 dtype 控制精度与范围
用 offset 参数可偏移对角线：正数向右上，负数向左下。比如 np.trace(arr, offset=1) 取次对角线（位置 (0,1), (1,2), ...），常用于计算上三角紧邻对角线的和。
dtype 参数影响累加过程的中间类型。例如对 uint8 数组大量求和时，不设 dtype=np.uint64 可能溢出；而浮点数组默认用 float64 累加，若需控制内存可显式设为 dtype=np.float32，但要注意精度损失。
立即学习“Python免费学习笔记（深入）”；
-
np.trace(np.eye(3), offset=1)→0.0（3×3 单位阵的 offset=1 对角线只有两个位置，全为 0） -
np.trace(np.ones((1000, 1000), dtype=np.uint8))直接返回1000（没溢出），但换成np.ones((3000, 3000), dtype=np.uint8)就会回绕成3000 % 256 = 148 - 安全做法：
np.trace(big_uint8_arr, dtype=np.int64)
trace 与手写 sum(diag()) 性能差异不大，但语义更明确
有人习惯写 np.sum(np.diag(arr))，这在小数组上几乎没区别，但有两点隐患：一是 np.diag(arr) 会先构造一个长度为 min(m,n) 的新数组，浪费内存；二是当 arr 是视图（如切片）时，np.diag() 返回的是副本，而 np.trace() 是纯计算，不分配中间存储。
更重要的是语义——trace 明确表达“我要矩阵的迹”，而 sum(diag()) 更像临时拼凑的技巧，在代码审查或协作中容易引发疑问。
- 对
arr = np.random.rand(1000, 1000)，np.trace(arr)比np.sum(np.diag(arr))快约 15%～20%，主要省去了diag的内存分配开销 - 若
arr是arr[::2, ::2]这样的跨步视图，np.diag(arr)会触发完整拷贝，np.trace()则无此问题
高维数组用 trace 要小心 axis 顺序和广播规则
当数组维度超过二维，np.trace() 默认只对前两个轴操作。比如 arr.shape == (2, 3, 4, 5)，np.trace(arr) 等价于对每个 (3,4) 子矩阵沿第 0 和第 1 轴（即索引 0 和 1）取迹，结果 shape 是 (2, 5)。如果你本意是对每组 (4,5) 算迹，就必须显式写 np.trace(arr, axis1=2, axis2=3)。
另一个易错点：trace 不支持 broadcasting。如果传入两个不同 shape 的数组做运算后再 trace，得先确保它们已对齐，否则会得到意外的降维结果或报错。
-
arr = np.ones((2, 3, 3)); np.trace(arr).shape→(2,)（对每个(3,3)算一个标量） -
np.trace(arr, axis1=1, axis2=2).shape→ 同样是(2,)，但含义一致 - 若误写
np.trace(arr, axis1=0, axis2=1)，则对每个(2,3)子矩阵算迹，结果 shape 是(3,)，逻辑完全偏离预期
np.einsum('ii->i', arr, axes=[axis1, axis2]) 或手动索引更稳妥。 
