np.diag 只提取一维对角线是因为其设计定位为矩阵代数中的标准对角操作，仅支持1D或2D输入；对高维数组需用 np.diagonal 沿指定两轴提取。
np.diag 为什么只提取一维对角线？
np.diag 默认只处理一维或二维数组：传入一维数组时返回其构成的对角矩阵；传入二维数组时只提取主对角线（k=0）。它不支持直接从三维及以上数组中按“体对角线”或“面内对角线”批量提取——这不是 bug，而是设计定位明确：它面向矩阵代数中的标准对角操作。
常见错误现象：np.diag 对三维数组报 ValueError: Input must be 1- or 2-dimensional；或者你传入 shape=(3,4,5) 却期望得到 3 条长度为 4 的对角线，结果发现根本不可行。
- 若目标是提取某个二维切片（如第 0 个平面）的对角线：先用索引切出
a[0]，再调用np.diag(a[0]) - 若想对每个二维切片都做同样操作，用列表推导式：
[np.diag(a[i]) for i in range(a.shape[0])]，但注意这会丢失向量化优势 - 性能影响：纯 Python 循环 +
np.diag在大数组上明显慢于原生 NumPy 操作
用 np.diagonal 提取高维数组的指定轴对角线
np.diagonal 是真正支持多维的函数。它沿指定两个轴提取对角线，其余轴保持不变。例如三维数组 a 的 shape=(4,5,6)，np.diagonal(a, axis1=1, axis2=2) 将在每个 a[i]（即每个 5×6 矩阵）中提取主对角线，返回 shape=(4,5) 的数组（因 min(5,6)=5）。
-
axis1和axis2必须不同，且都在数组维度范围内；默认是axis1=0, axis2=1 -
offset参数控制偏移量（如k=1提取上一条对角线），但仅对所选两轴生效 - 结果形状：非对角轴尺寸不变，对角轴尺寸变为
min(shape[axis1], shape[axis2])（除非指定offset导致截断） - 兼容性注意：NumPy np.diagonal 对
offset≠0的行为在某些高维组合下有边界差异，建议升级到 1.19+
手动构造索引提取任意“空间对角线”
当需要提取真正的体对角线（如三维中满足 i==j==k 的所有元素），np.diagonal 也无能为力——它只管两个轴。这时必须手动生成坐标索引：
立即学习“Python免费学习笔记（深入）”；
import numpy as np a = np.arange(27).reshape(3, 3, 3) # 提取 i==j==k 的体对角线（长度为 3） diag_3d = a[np.arange(3), np.arange(3), np.arange(3)]
这种写法本质是高级索引，灵活但需确保各索引数组长度一致。
- 若要提取
i==j, k自由变化的“面内对角线平面”，可广播：a[np.arange(3)[:, None], np.arange(3)[:, None], np.arange(3)]得到(3,3,3)子集 - 容易踩的坑：用
range替代np.arange会导致索引失效（返回标量而非数组） - 内存提示：高级索引会触发副本，超大数组慎用；如只需视图，优先考虑
np.diagonal或np.take配合np.eye逻辑
性能对比：diag vs diagonal vs 手动索引
三者适用场景完全不同，不能简单说谁“更快”。np.diag 最快但最受限；np.diagonal 是高维对角提取的首选，C 层实现高效；手动索引最灵活但易出错、内存开销大。
- 二维场景下，
np.diag(a)和np.diagonal(a)性能几乎一致，但后者更统一 - 三维以上，避免用循环套
np.diag；改用np.diagonal一次完成 - 体对角线类需求没有内置函数，手动索引是唯一办法，但务必验证索引维度匹配，否则静默返回错误形状
真正容易被忽略的是：对角线提取结果的形状依赖于输入尺寸和 offset，尤其在批量处理不规则数组时，最好加一句 assert 校验输出长度。
