np.diag()可提取主对角线（k=0）及上下偏移对角线（k≠0），对非方阵各k值长度天然不同，无需补零；传入2d提取、1d构造，仅作用于前两维。
用 np.diag() 提取主对角线和指定偏移的对角线
np.diag() 是最直接的工具，但它行为分两种：传入 2D 数组时提取对角线；传入 1D 数组时构造对角矩阵。提取偏移对角线靠 k 参数控制。
-
k = 0（默认）提取主对角线：从左上到右下，索引满足i == j -
k > 0提取上方第k条对角线（如k=1是紧邻主对角线上方那条），对应j = i + k k 提取下方第 <code>|k|条对角线（如k=-2是主对角线下方第二条），对应j = i - |k|- 若偏移超出矩阵边界（例如 3×3 矩阵中
k=5），返回空数组array([])，不是报错 —— 这点容易误判为出错
示例：
import numpy as np
a = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
<p>print(np.diag(a, k=0)) # [1 6 11]
print(np.diag(a, k=1)) # [2 7 12]
print(np.diag(a, k=-1)) # [5 10]</p>
为什么不能直接用 a.diagonal()？它和 np.diag() 有啥区别？
a.diagonal(k) 看似等价，但它是 ndarray 的方法，**只支持 k 为单个整数**，不支持数组；而 np.diag() 在提取时也只接受单个 k，但关键差异在「返回视图还是副本」：
-
a.diagonal()返回的是原数组的**只读视图**（view），修改它会触发RuntimeWarning且无效 -
np.diag(a, k)总是返回**新数组（副本）**，可安全修改 - 二者在非方阵上行为一致，都按标准定义截取有效部分（比如 3×4 矩阵的
k=2只有前两个元素有效）
所以若后续要修改提取结果，务必用 np.diag()；若只是读取且想省一点内存（极少场景），可用 .diagonal()，但得加 copy() 才能改。
批量提取多条偏移对角线：别循环调用 np.diag()
需要同时拿 k = -2, -1, 0, 1, 2 的对角线？手动循环五次 np.diag(a, k=i) 效率低、代码啰嗦。更高效的做法是用 np.eye() 构造掩码，再用布尔索引：
- 先生成与
a同形的全零数组，再用np.eye(a.shape[0], a.shape[1], k=k)得到对应偏移的 0/1 掩码 - 然后
a[mask]直接取出 —— 注意这会按行优先顺序展平，需根据需求重排 - 或者更简洁：用列表推导式
[np.diag(a, k=i) for i in [-2,-1,0,1,2]]，可读性好，小矩阵无性能压力
大矩阵（如 >1000×1000）且偏移数多时，建议预分配结果列表并用循环，避免临时数组反复创建。
提取后长度不一致？这是正常现象，别硬 pad 对齐
非方阵中不同 k 对应的对角线长度天然不同。例如 3×5 矩阵：k=0 长 3，k=2 长 1，k=-2 长 1。强行用 np.pad() 补零或 None 会破坏数据语义，还可能误导后续计算。
- 如果后续要做向量化运算（如求每条对角线均值），直接用
[d.mean() for d in diags]即可 - 若必须堆成二维数组，用
np.array()会转成 object dtype，失去数值优势；真需要数值型二维结构，应明确补什么值（如np.nan），并用np.full()配合切片填充 - 最容易被忽略的是：对角线索引逻辑依赖于数组的
shape，而非ndim—— 即使是 3D 张量，np.diag()也只处理前两维，其余维度会被忽略或报错
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！
