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，根据每行指定的起止索引（存储于另一二维数组中）对目标二维数组进行逐行切片，并统一填充零以保持形状一致。
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，根据每行指定的起止索引（存储于另一二维数组中）对目标二维数组进行逐行切片，并统一填充零以保持形状一致。
在 NumPy 中，对二维数组按行进行变长切片（即每行使用不同 [start:end]）无法直接用普通切片语法实现，因为结果形状不规则。但通过向量化逻辑运算与索引重排，可在不使用 Python 循环的前提下完成该任务。
核心思路分为四步：
-
生成列索引序列：用
np.arange(a.shape[1])创建[0, 1, 2, ..., n-1]； -
构建布尔掩码：广播比较列索引是否落在每行对应的
[start, end]区间内（含端点）； -
掩码赋值：用
np.where(m, a, 0)将非目标区域置零，得到初步掩码数组； -
右对齐重排：对每行的布尔掩码取反后排序，获得“True 在前、False 在后”的索引顺序，再用
np.take_along_axis重排整行数据，实现右侧填充零的效果。
以下是完整可运行代码示例：
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], # row 0: slice [2:5] → indices 2,3,4
[0, 3], # row 1: slice [0:4] → indices 0,1,2,3
[2, 3], # row 2: slice [2:4] → indices 2,3
[1, 3]]) # row 3: slice [1:4] → indices 1,2,3
# Step 1: column indices
cols = np.arange(a.shape[1])
# Step 2: broadcasted boolean mask (shape: (4, 5))
m = (cols >= idx[:, 0, np.newaxis]) & (cols <= idx[:, 1, np.newaxis])
# Step 3: zero-out non-selected elements
a_mask = np.where(m, a, 0)
# Step 4: sort indices to move True-masked values to left (right-aligned zeros)
sort_idx = np.argsort(~m, axis=1) # ~m: False→True, True→False; argsort puts True first
result = np.take_along_axis(a_mask, sort_idx, axis=1)
print(result)输出：
[[629 192 835 0 0] [763 707 359 9 0] [804 599 0 0 0] [600 396 314 0 0]]
✅ 关键说明：
-
idx[:, 0, np.newaxis]利用np.newaxis扩展维度，使(4,)变为(4, 1)，从而与(5,)的cols广播成(4, 5)； -
~m将掩码反转（选中区域变为False），argsort默认升序排列，因此False（原选中位置）会排在前面——这正是我们右对齐所需的行为； - 此方法完全向量化，适用于大规模数组，性能远优于
for循环或np.vectorize。
⚠️ 注意事项：
-
idx中的索引必须合法（0 ≤ start ≤ end ），否则掩码可能出错；建议提前校验或用 <code>np.clip安全截断； - 若需左对齐（即保留原始列顺序，仅补零在右侧），可跳过第 4 步，直接使用
a_mask——它已天然满足左对齐语义（见注释中a_mask示例）； - 本方案默认包含
end索引（闭区间），若需 NumPy 原生切片语义（[start:end)，即开区间），请将改为 <code>。
