高效存取多维数组的关键在于选准索引方式：①按坐标批量取值用高级索引拆解维度，如a[tuple(idx.T)]；②行列混合切片提升灵活性；③优先利用内存连续布局；④区分视图与副本以控制写入行为。
高效存取多维数组元素，关键不在“写得多”，而在“选得准、用得对”。核心是区分基本索引与高级索引的适用场景，避免隐式广播或视图/副本混淆，同时兼顾内存连续性与代码可读性。
按坐标批量取值：用高级索引拆解维度
当你有一组离散坐标（比如想取 [0,1,2]、[2,0,1]、[1,2,0] 这三个位置），不能直接写 a[idx]（这会触发广播，结果维度爆炸）。必须把坐标按轴拆开：
-
idx是形状为(N, D)的整数数组，每行是一个 D 维坐标 - 正确写法：
a[idx[:, 0], idx[:, 1], idx[:, 2]]（三维）或通用形式a[tuple(idx.T)] - 本质是让每个轴接收一维索引数组，NumPy 自动做笛卡尔匹配，返回长度为
N的一维结果
行列混合切片：组合索引提升灵活性
单靠冒号切片不够灵活，但 NumPy 允许混合使用整数、切片、列表甚至布尔数组：
-
a[2:4, [0, 2, 5]]→ 取第 2、3 行，第 0、2、5 列的子矩阵（结果形状(2, 3)） -
a[[0, 2], 1:4]→ 取第 0 和第 2 行，每行的第 1–3 列 -
a[mask, :]（mask是布尔数组）→ 按行筛选，保留全部列
内存友好访问：优先利用连续布局
底层内存是否连续，直接影响速度。NumPy 默认行优先（C-order），所以按行访问更快：
- 推荐：
a[i, :]（整行）、a[:, j]（整列，但列在内存中不连续，稍慢） - 避免频繁跨行跳转，如
a[[0, 100, 200], j]；若必须，确保索引数组本身小而紧凑 - 需要列优先加速时，可用
a.T或创建order='F'数组，但注意转置返回视图而非新内存
写入与视图控制：明确是否修改原数组
索引结果可能是原数组的视图（共享内存）或副本（独立内存），这影响后续修改行为：
- 基本索引（整数、切片、省略号）→ 返回视图：改它 = 改原数组
- 高级索引（整数数组、布尔数组）→ 返回副本：改它不影响原数组
- 不确定时，用
.base is not None检查是否为视图；需强制副本可用.copy()
