Numpy 的 a[[i1, i2], [j1, j2]] = value 并非对所有组合赋值，而是按位置一一配对（即 (i1,j1) 和 (i2,j2)），这是高级索引的标准化行为，而非广播式全组合赋值。
numpy 的 `a[[i1, i2], [j1, j2]] = value` 并非对所有组合赋值，而是按位置一一配对（即 `(i1,j1)` 和 `(i2,j2)`），这是高级索引的标准化行为，而非广播式全组合赋值。
在 NumPy 中，当使用两个整数数组（如 a[[1, 3], [0, 2]]）进行索引赋值时，其语义是位置对齐的高级索引（positional advanced indexing），而非笛卡尔积式的“所有行 × 所有列”操作。这意味着：
- 第一个索引数组
[1, 3]指定行下标； - 第二个索引数组
[0, 2]指定列下标； - 二者长度必须相等，且 NumPy 会将它们按元素位置配对：
(1, 0)和(3, 2)，分别对应第 1 行第 0 列、第 3 行第 2 列。
因此，以下代码：
import numpy as np
a = np.array([
[11, 12, 13],
[21, 22, 23],
[31, 32, 33],
[41, 42, 43]
])
a[[1, 3], [0, 2]] = 0
print(a)
输出为：
[[11 12 13] [ 0 22 23] [31 32 33] [41 42 0]]
——这完全符合预期：仅 a[1,0] 和 a[3,2] 被设为 0。
⚠️ 常见误解：认为 a[[1,3], [0,2]] 等价于“第 1 行和第 3 行的所有第 0 列与第 2 列”，即期望修改 (1,0), (1,2), (3,0), (3,2) 四个位置。但这是不正确的；该写法不会自动广播。若需实现全组合赋值，应显式构造坐标网格：
rows = np.array([1, 3]) cols = np.array([0, 2]) # 使用 meshgrid 生成所有 (row, col) 组合 r_grid, c_grid = np.meshgrid(rows, cols, indexing='ij') # 展平后索引（注意顺序：r_grid.ravel() 和 c_grid.ravel() 长度一致） a[r_grid.ravel(), c_grid.ravel()] = 0
或更简洁地使用 np.ix_（推荐用于行列交叉选择）：
a[np.ix_([1, 3], [0, 2])] = 0 # ✅ 此时 a[1,0], a[1,2], a[3,0], a[3,2] 全部被设为 0
✅ 总结：
-
a[array_i, array_j]（同长整数数组）→ 逐元素配对索引（高级索引标准行为）； -
a[np.ix_(array_i, array_j)]→ 行列笛卡尔积索引（获取子矩阵/块赋值）； - 混淆二者是引发“奇怪行为”的主因。务必依据 NumPy 官方文档中高级索引章节理解其确定性规则。
