高维数组索引核心是理解轴的来源与目标对应关系：整数数组索引按序抓取，一维结果形状同索引数组，二维默认沿axis=0；布尔索引生成掩码筛选，多条件用&、|、~。
高维数组的索引映射不是简单找位置，而是明确“从哪取、按什么顺序、放到哪一维”——核心在于理解轴（axis）的来源与目标对应关系，而非机械套用语法。
用整数数组做高级索引：按序抓取，不排序
直接用 arr[idx] 是最常用也最易错的方式：
- 一维时，
arr[[2, 0, 3]]返回[arr[2], arr[0], arr[3]]，结果形状和索引数组一致 - 二维时，默认沿第 0 轴（行）索引：
arr[[1, 0]]取第 1 行和第 0 行，拼成新二维数组 - 想沿列操作？不能只写
arr[:, [2, 0]]—— 这是合法切片，但若用整数数组索引列，需确保维度对齐；更稳妥的是np.take(arr, [2, 0], axis=1) - 索引值必须在合法范围内，越界会报错；如需容错，改用
np.take(..., mode='clip')
布尔索引：条件驱动，自动广播
布尔索引本质是生成掩码，适用于筛选场景：
-
arr[arr > 5]返回所有大于 5 的元素，一维结果扁平化；二维时保持原结构逻辑，但输出是一维数组 - 多条件组合用
&（不是 and）、|（不是 or）、~（取反）：mask = (arr[:, 0] > 1) & (arr[:, 2] - 布尔数组长度必须与被索引轴长度一致；用于高维时，可配合
np.ix_()实现行列联合筛选
newaxis 与切片冒号：控制输出维度
加不加冒号，决定结果是否“升维”：
-
X[:, 3]得到一维数组，shape 是(3,)；X[:, 3:]是二维切片，shape 是(3, 1) - 想把一维结果转为列向量？用
X[:, 3][:, np.newaxis]或等价写法X[:, 3, np.newaxis] - 也可用
None替代np.newaxis，语义相同：X[:, 3, None]
转置与 axes 映射：重排轴而非移动数据
转置不是“把某维挪到前面”，而是定义“新轴 i 的数据来自原轴几”：
-
arr.transpose((2, 0, 1))表示：新第 0 轴 ← 原第 2 轴，新第 1 轴 ← 原第 0 轴，新第 2 轴 ← 原第 1 轴 - 图像从 H×W×C → C×H×W：用
img.transpose((2, 0, 1))，不是img.T（后者默认翻转所有轴） - 验证是否真转置（没拷贝）：用
np.may_share_memory(arr, arr_t)，返回True说明是视图
不复杂但容易忽略。
