Numpy中使用两个列表进行二维数组索引赋值时，并非对所有组合进行广播赋值，而是按元素顺序一一配对（如[1,3]与[0,2]配对为(1,0)和(3,2)），这是高级索引的核心规则。

numpy中使用两个列表进行二维数组索引赋值时，并非对所有组合进行广播赋值，而是按元素顺序一一配对（如[1,3]与[0,2]配对为(1,0)和(3,2)），这是高级索引的核心规则。

在Numpy中，当你执行 a[[1, 3], [0, 2]] = 0 时，并非将第1行和第3行的所有第0列与第2列元素全部设为0（即不是4个位置），而是将两个索引数组逐元素配对，生成坐标对 (1, 0) 和 (3, 2)，然后仅对这两个位置赋值。这正是Numpy“高级索引”（Advanced Indexing）的标准化行为。

以下代码清晰展示了这一机制：

import numpy as np

a = np.array([
    [11, 12, 13],
    [21, 22, 23],
    [31, 32, 33],
    [41, 42, 43]
])

# 等价于依次执行：
a[1, 0] = 0  # 修改第1行、第0列 → 原21变为0
a[3, 2] = 0  # 修改第3行、第2列 → 原43变为0

print(a)
# 输出：
# [[11 12 13]
#  [ 0 22 23]
#  [31 32 33]
#  [41 42  0]]

⚠️ 注意事项：

• 两个索引数组必须长度相等，否则会抛出 ValueError: shape mismatch: indexing arrays could not be broadcast together；
• 若想实现“行×列”的全组合赋值（如第1、3行 × 第0、2列共4个位置），需改用布尔索引或np.ix_构造开放网格：

# ✅ 方法1：使用 np.ix_ 构造行列交叉索引（推荐）
rows = [1, 3]
cols = [0, 2]
a[np.ix_(rows, cols)] = 0  # 影响 (1,0), (1,2), (3,0), (3,2)

# ✅ 方法2：布尔掩码
mask = np.zeros_like(a, dtype=bool)
mask[rows, :] = True
mask[:, cols] = True
a[mask] = 0  # 注意：此方式会覆盖整行整列交集，需谨慎

总结：Numpy的 a[list_row, list_col] = value 是向量化配对赋值，而非笛卡尔积赋值。理解这一机制是避免索引逻辑错误的关键——它保障了高级索引的可预测性与性能，但也要求开发者明确索引意图并选择恰当的工具（如np.ix_）来表达复杂区域操作。