本文介绍如何对 numpy 数组按多个不等长列索引子集进行高效切片，并批量计算每行对应子向量的欧几里得范数，避免显式循环，兼顾简洁性与性能。
本文介绍如何对 numpy 数组按多个不等长列索引子集进行高效切片，并批量计算每行对应子向量的欧几里得范数，避免显式循环，兼顾简洁性与性能。
在科学计算和机器学习预处理中，常需对同一数据矩阵（如特征矩阵）按不同列组合提取子向量，并分别计算其行方向的 L2 范数（即向量长度）。例如，给定一个形状为 (N, M) 的数组 my_arr 和一组列索引列表 my_idxs = [[0, 1], [2]]，目标是：对每一行，分别计算第 [0,1] 列构成的二维子向量长度，以及第 [2] 列构成的一维子向量长度，最终得到形状为 (N, len(my_idxs)) 的结果数组。
当所有索引子集长度相同时（如 [[0,1], [1,2]]），可直接利用 NumPy 的高级索引与 axis=1 向量化计算：
np.linalg.norm(my_arr[:, my_idxs], axis=1) # my_idxs 可转为规则二维数组
但若索引子集长度不一（如 [[0,1], [2]]），my_arr[:, my_idxs] 会因不规则结构触发 IndexError 或返回 object 类型数组，无法直接参与数值运算。
推荐解决方案：列表推导式 + np.c_ 拼接
核心思路是——对每个索引子集独立切片并计算范数，再沿列方向合并结果。这既保持了向量化计算（每组内部仍用 np.linalg.norm(..., axis=1)），又绕过了不规则索引带来的维度冲突：
import numpy as np
my_arr = np.array([[1, 2, 3],
[1, 2, 3],
[1, 2, 3]])
my_idxs = [[0, 1], [2]]
# 对每个索引子集：切片 → 计算行向量范数 → 生成列向量
norm_columns = [np.linalg.norm(my_arr[:, idxs], axis=1, keepdims=True)
for idxs in my_idxs]
# 水平拼接所有列向量（等价于 np.column_stack）
result = np.hstack(norm_columns)
print(result)
# 输出：
# [[2.23606798 3. ]
# [2.23606798 3. ]
# [2.23606798 3. ]]
✅ 说明：np.c_[*[...]] 是更简练的写法（如答案所示），本质等价于 np.hstack([...])，其中 * 解包列表，np.c_ 自动将一维结果升维并水平堆叠。但显式使用 keepdims=True + np.hstack 更清晰可控，尤其当需兼容不同 NumPy 版本或调试时。
注意事项与优化建议：
- ✅ 性能权衡：虽避免了外层 Python 循环，但内部仍存在 len(my_idxs) 次独立切片与范数计算。若 my_idxs 极大（如数百组），可考虑预分配输出数组并用 for 循环填充（内存局部性更优）。
- ⚠️ 索引安全性：确保 my_idxs 中每个子列表的索引均在 [0, M) 范围内，否则会引发 IndexError；建议添加校验逻辑。
- ? 扩展性：该模式可轻松适配其他行向量聚合操作（如 np.sum, np.max, np.std），只需替换 np.linalg.norm(..., axis=1) 部分即可。
综上，面对不规则列索引集合，“列表推导式 + 向量化子计算 + 拼接” 是兼顾可读性、性能与 NumPy 原生风格的最佳实践。
