本文介绍如何使用numpy的高级索引（advanced indexing）一次性提取高维数组中每行对应不同列的元素，避免显式python循环，显著提升性能与代码简洁性。
在处理形状为 (..., n, m) 的多维NumPy数组（例如 a）时，常需对每个“行”（即倒数第二维，长度为 n）独立选取其“列”（最后一维，长度为 m）中的特定元素——该列索引由长度为 n 的向量 v 指定（v[i] 表示第 i 行应取的列号）。传统循环写法虽直观，但效率低且不符合向量化编程原则。
幸运的是，NumPy支持广播式高级索引，可一行代码完成该操作：
b = a[..., np.arange(len(v)), v].T
✅ 原理说明：
- ... 匹配任意前置维度（如示例中的 2），保持其完整性；
- np.arange(len(v)) 生成行索引 [0, 1, 2, ..., n-1]，对应每行位置；
- v 是列索引数组（如 [0, 2, 1]），与行索引广播对齐；
- 组合 a[..., row_indices, col_indices] 触发高级索引，返回形状为 (..., n) 的结果；
- .T 转置将 n 维提至最前（等价于 np.moveaxis(..., -1, 0)），以匹配循环版输出结构（即 (n, ...)）。
? 关键注意事项：
- v 必须是整数数组（int64/int32），不可含浮点数或越界值（0 ≤ v[i]
- 若 a 有多个前置维度（如 5×2×3×4），... 自动适配，无需修改；
- 结果 b 的形状为 (n,) + a.shape[:-2]；转置后为 (n,) + a.shape[:-2]（与示例一致）；
- 此方法不拷贝数据（若索引连续），内存高效，且比Python循环快10–100倍（尤其在大数据集上）。
? 扩展用法：若需保留前置维度顺序（如输出 (2, 3) 而非 (3, 2)），可省略 .T 并改用 np.moveaxis 或直接使用 a[..., np.arange(n), v] —— 具体取决于下游逻辑对轴序的要求。
综上，a[..., np.arange(len(v)), v] 是解决“每行按向量选列”问题的标准、高效、可读性强的向量化方案，体现了NumPy高级索引的强大表达力。
