np.diag()最直接提取主对角线，返回1d数组；支持非方阵和k参数选其他对角线，但不支持副对角线，需手动索引；无keepdims，需显式reshape；性能敏感时应预计算并避免全取后切片。
用 np.diag() 提取主对角线最直接
如果你只是要拿方阵或矩形矩阵的主对角线（从左上到右下），np.diag() 是首选。它默认提取第 0 条对角线，即主对角线，返回一维数组。
注意：对非方阵也有效——比如 shape=(4, 3) 的矩阵，np.diag() 会取前 3 个元素（min(4,3) 个），不会报错。
- 输入是二维
ndarray；若传入一维数组，np.diag()会反向构造对角矩阵（容易误用） - 想提取其他对角线？用
k参数：k=1是主对角线上方第一条，k=-2是下方第二条 - 返回值总是
1D数组，不是列向量（别指望自动保持(n, 1)形状）
提取副对角线（右上→左下）得手动索引
np.diag() 不支持直接提取副对角线（anti-diagonal）。常见错误是以为 np.fliplr(a).diagonal() 或 np.diag(np.fliplr(a)) 就行——其实后者调用的是 np.ndarray.diagonal()，行为和 np.diag() 不同，且不推荐混用。
更稳妥的做法是用高级索引：
import numpy as np
a = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
anti_diag = a[np.arange(2, -1, -1), np.arange(3)] # → array([3, 5, 7])
- 对
n×n方阵，用a[np.arange(n-1, -1, -1), np.arange(n)] - 对非方阵（如
m×n），副对角线长度是min(m, n)，索引需截断，否则越界 - 别用
np.rot90(a, k=2)[..., ::-1].diagonal()这类嵌套操作——可读性差，且.diagonal()对视图处理有陷阱
需要保留维度？别依赖 keepdims，自己 reshape
np.diag() 没有 keepdims 参数，返回必为 1D。如果下游代码要求列向量（如要和 (n, 1) 矩阵做广播运算），必须显式重塑：
- 转成列向量：
np.diag(a)[:, None]或np.diag(a).reshape(-1, 1) - 转成行向量：
np.diag(a)[None, :] - 用
[:, None]比reshape更轻量，且明确表达“升维为列”意图 - 别写
np.matrix(np.diag(a)).T——np.matrix已废弃，且引入不必要的对象类型转换
性能敏感时，避免重复计算对角线
如果在循环里反复调用 np.diag(a)（比如每次迭代都取同一矩阵的对角线），其实底层每次都在构造新数组。虽然开销不大，但真卡顿的时候值得优化：
- 提前算好：
diag_a = np.diag(a)，后续直接复用 - 若只读部分元素（如只要前 5 个），用切片
np.diag(a)[:5]，别先全取再切——np.diag()总是计算整条对角线 - 对超大稀疏矩阵，
np.diag()会转成稠密再取，可能爆内存；此时应改用稀疏专用方法，例如scipy.sparse.dia_matrix的data属性
副对角线索引那行 np.arange 生成的数组可以复用，但要注意形状匹配——这点容易在批量处理不同尺寸矩阵时漏掉检查。
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！
