花式索引是NumPy中通过整数或布尔数组选取元素的方式，返回副本而非视图；普通索引（如切片）返回视图，修改影响原数组。
什么是花式索引，它和普通索引有什么区别
花式索引（Fancy Indexing）是 NumPy 中通过整数数组或布尔数组来选取元素的方式，不是用 : 或单个数字，而是用一个可迭代的索引序列。它返回的是原数组的副本，而不是视图——这点非常关键，后续修改不会影响原数组。
普通切片（如 a[1:4]）返回视图，而花式索引（如 a[[0, 2, 4]]）一定返回副本。如果你需要原地修改，得显式赋值回去；如果误以为是视图，可能发现改了结果却没生效。
- 花式索引支持一维或多维：对二维数组，
a[[0, 2], [1, 3]]取的是(0,1)和(2,3)两个位置 - 混合使用会触发“广播规则”：比如
a[[0, 2], 1]等价于a[[0, 2], [1, 1]] - 不支持负数索引的列表直接传入（
a[[-1, -2]]是合法的，但a[np.array([-1, -2])]在旧版本 NumPy 中可能报错，建议统一用正向索引或先做模运算）
如何用整数数组做行/列组合提取
这是最常用的场景：从二维数组中按指定行列坐标取离散点。注意索引数组长度必须一致，否则会广播或报错。
import numpy as np a = np.arange(12).reshape(3, 4) # 想取第0行第1列、第2行第3列 → 坐标是 (0,1) 和 (2,3) rows = [0, 2] cols = [1, 3] result = a[rows, cols] # 返回 array([1, 11])
- 如果只给一个整数数组（如
a[[0, 2]]），默认作用在第 0 轴（行），等价于a[[0, 2], :] - 若想取多行 + 所有列中的某几列，不能写成
a[[0,2], [1,3]]（那是取两个点），而要写成a[[0,2]][:, [1,3]]或更稳妥的a[np.ix_([0,2], [1,3])] -
np.ix_()是安全组合行列索引的推荐方式，避免手动广播出错
布尔索引为什么也算花式索引，以及常见陷阱
布尔数组索引（如 a[a > 5]）在 NumPy 中归类为花式索引的一种，行为一致：返回副本、支持多维、广播生效。
立即学习“Python免费学习笔记（深入）”；
a = np.array([[1, 6, 3],
[7, 2, 8]])
mask = a > 5 # 生成布尔二维数组
a[mask] # 返回一维 array([6, 7, 8])
- 布尔索引结果总是展平为一维，不管原数组维度。想保持结构？得用
np.where(mask)拿到坐标再配合整数索引 - 布尔数组形状必须和被索引数组严格匹配（或能广播），
a[a[:, 0] > 5]是合法的（生成一维 mask 作用于第一维），但a[a[0] > 5]若a[0]长度不等于列数就会出错 - 空布尔掩码（全 False）不会报错，但返回空数组，类型与原数组一致，容易在后续计算中引发隐式类型转换问题
性能和内存要注意什么
花式索引看起来方便，但底层要复制数据，尤其在大数组上反复操作时开销明显。
- 多次花式索引不如一次构造好索引再取：比如要取 1000 个随机位置，别循环调用
a[i, j]1000 次，而应拼成两个长度为 1000 的row_indices和col_indices，一次性a[row_indices, col_indices] - 使用
np.take()替代一维花式索引有时更快（尤其配合axis参数），例如np.take(a, indices, axis=1)比a[:, indices]在某些情况下更高效 - 如果只是想“标记后过滤”，且后续还要频繁修改，考虑用
np.ma.masked_array或直接用布尔索引配合np.copy()显式控制生命周期
花式索引的灵活性背后，是副本语义和广播规则这两条暗线。很多人卡在“为什么改了没反应”或者“取出来的形状不对”，其实都绕不开这两个点。
