np.diag 提取主对角线最简单，但输入为一维数组时会生成对角矩阵而非提取对角线；需确认 arr.ndim == 2 或先用 np.atleast_2d(arr)；k 参数控制偏移，有效范围为 -(m-1) ≤ k ≤ n-1。
直接用 np.diag 提取主对角线最简单，但别默认它只返回一维数组
调用 np.diag 时，如果输入是二维数组（如 ndarray），它默认提取主对角线并返回一维 ndarray；但如果输入是一维数组，它反而会生成对角矩阵。这个行为容易混淆，尤其在链式操作中意外把向量当矩阵传进去，结果得到一个方阵而非预期的对角元素列表。
- 确认输入维度：
arr.ndim == 2才能安全提取对角线 - 若不确定，先用
np.atleast_2d(arr)包裹再调用np.diag - 注意返回值类型：总是
ndarray，不是 Python list，切片或索引仍需用 NumPy 方式
np.diag 的 k 参数控制偏移，正数向上、负数向下
k 是关键偏移参数：当 k=0（默认）取主对角线；k=1 取主对角线上方第一条（即第 0 行第 1 列开始）；k=-2 取主对角线下方第二条（即第 2 行第 0 列开始）。实际提取范围受矩阵形状限制，超出部分自动截断，不报错也不补零。
- 对于形状为
(m, n)的矩阵，有效k范围是-(m-1) -
np.diag(arr, k=5)在 4×4 矩阵上返回空数组array([])，不是错误 - 若需固定长度结果（如补零），得手动处理，
np.diag不提供填充选项
想同时取多条对角线？np.diag 不行，得换思路
np.diag 每次只能取一条对角线。要批量提取（比如主对角线 + 上下各一条），不能靠多次调用再拼接——效率低且难对齐。更稳的方式是用高级索引构造坐标：
import numpy as np arr = np.arange(16).reshape(4, 4) k_values = [-1, 0, 1] diags = [np.diag(arr, k=k) for k in k_values]
但注意：这些结果长度不同（例如 k=-1 和 k=1 在非方阵中可能差 1），直接 np.stack 会失败。真要对齐，得先算每条长度：min(m + k, n - k)（对 k >= 0），再统一截断或补零。
性能敏感场景慎用 np.diag，主对角线可用视图替代
如果只取主对角线（k=0）且后续还要修改原矩阵对应位置，np.diag 返回的是副本，改了没用。此时应直接用 np.arange 配合花式索引获取视图：
diag_view = arr[np.arange(min(arr.shape)), np.arange(min(arr.shape))]
这个 diag_view 是原数组的视图，修改它等于修改原矩阵对角线元素。而 np.diag(arr) 总是拷贝。另外，在循环中高频调用 np.diag（尤其小矩阵）会有明显函数调用开销，预计算索引数组更快。
偏移对角线无法用纯视图实现，必须拷贝，这是 np.diag 不可绕过的成本。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
