本文介绍一种高效、向量化的方法：利用布尔掩码与 np.take_along_axis，根据每行独立的起止索引（存储在另一二维数组中）对原始二维数组进行切片，并统一填充为固定形状。
本文介绍一种高效、向量化的方法：利用布尔掩码与 `np.take_along_axis`，根据每行独立的起止索引（存储在另一二维数组中）对原始二维数组进行切片，并统一填充为固定形状。
在 NumPy 中，对二维数组按每行不同范围进行切片（即“逐行变长切片”）是一个常见但易出错的需求。由于 NumPy 不支持真正的不规则二维结构，最终结果需统一为矩形数组（通常用 0 填充空位）。直接使用 Python 循环虽直观，但效率低下；而纯向量化方案需巧妙结合广播、掩码与重排操作。
以下是一种推荐的纯 NumPy 向量化实现：
import numpy as np
np.random.seed(0)
a = np.random.randint(0, 999, (4, 5))
# array([[684, 559, 629, 192, 835],
# [763, 707, 359, 9, 723],
# [277, 754, 804, 599, 70],
# [472, 600, 396, 314, 705]])
idx = np.array([[2, 4], # 第0行：取索引2~4（含）
[0, 3], # 第1行：取索引0~3（含）
[2, 3], # 第2行：取索引2~3（含）
[1, 3]]) # 第3行：取索引1~3（含）
# 步骤 1：生成列索引向量 [0, 1, 2, 3, 4]
cols = np.arange(a.shape[1])
# 步骤 2：构建布尔掩码 m，形状为 (4, 5)
# m[i, j] == True 表示 a[i, j] 应被保留（j 在 idx[i, 0] 到 idx[i, 1] 之间）
m = (cols >= idx[:, 0, np.newaxis]) & (cols <= idx[:, 1, np.newaxis])
# 步骤 3：用掩码屏蔽非目标元素 → 填充为 0
a_mask = np.where(m, a, 0)
# [[ 0, 0, 629, 192, 835],
# [763, 707, 359, 9, 0],
# [ 0, 0, 804, 599, 0],
# [ 0, 600, 396, 314, 0]]
# 步骤 4：对每行，将 True 位置左移（靠前），False 位置右移（靠后）
# 方法：对 ~m 每行排序 → argsort 给出“False 先、True 后”的索引顺序
sort_idx = np.argsort(~m, axis=1)
# 步骤 5：沿列轴重排 a_mask，使有效值连续左对齐
result = np.take_along_axis(a_mask, sort_idx, axis=1)
print(result)
# [[629 192 835 0 0]
# [763 707 359 9 0]
# [804 599 0 0 0]
# [600 396 314 0 0]]✅ 关键点解析：
-
idx[:, 0, np.newaxis]触发广播，使(4,)起始索引扩展为(4, 1)，与(5,)的cols相乘得(4, 5)布尔矩阵； -
np.where(m, a, 0)实现条件赋值，保留目标区域，其余置零； -
np.argsort(~m, axis=1)是核心技巧：对每行的False/True掩码取反后排序，等价于让True对应的列索引尽可能靠前（因False ，<code>argsort默认升序）； -
np.take_along_axis(..., sort_idx, axis=1)按指定列顺序重排，完成“左对齐压缩”。
⚠️ 注意事项：
- 确保
idx中所有索引合法（0 ≤ start ≤ end ），否则掩码可能越界或逻辑异常；可添加 <code>np.clip(idx, 0, a.shape[1]-1)防御； - 若需右对齐（如第二类输出格式），可改为
sort_idx = np.argsort(m, axis=1)并配合np.fliplr或调整排序逻辑； - 该方法时间复杂度为 O(N×M)，远优于显式 Python 循环，且完全避免 Python 解释器开销。
此方案兼顾可读性、性能与 NumPy 最佳实践，适用于批量处理数千行以上的变长切片任务。
