np.diag() 一维输入生成对角矩阵，二维输入提取主对角线；误传二维数组易得错误结果；需偏移用k参数；dtype不自动继承；np.diagflat()先展平再构造，更鲁棒；大矩阵应避免显式构造以节省内存。
用 np.diag() 从一维数组生成对角矩阵
直接传入一维数组，np.diag() 就会把它铺到主对角线上，其余位置自动填 0。这是最常用、也最不容易出错的生成方式。
常见错误是误传二维数组——比如想用 [1,2,3] 生成 3×3 对角阵，却写了 np.diag([[1,2,3]])，结果得到的是 1×1 矩阵（因为 np.diag() 对二维输入默认提取主对角线）。
- 正确写法：
np.diag([1, 2, 3])→ 返回 shape=(3, 3) 的对角矩阵 - 如果需要指定偏移量（比如上/下一条对角线），加
k参数：np.diag([1,2], k=1)把数组放在第一超对角线 -
dtype不会自动继承原数组类型：np.diag([1,2], dtype=np.float32)才能得到 float32 类型结果，否则默认是 int64 或 float64
用 np.diag() 提取二维数组的对角线
传入二维数组时，np.diag() 行为完全相反：它不生成矩阵，而是抽出主对角线元素，返回一维 ndarray。
容易踩的坑是以为它能“提取任意对角线”或“保持二维形状”。实际上它只抽元素，不保留维度；而且对非方阵也有效（比如 4×3 矩阵会抽前 3 个对角元）。
- 输入
np.array([[1,2,3],[4,5,6]])→ 输出[1, 5]（长度为 min(2,3)=2） - 想抽第 k 条对角线？同样用
k参数：np.diag(arr, k=-1)抽次对角线 - 注意：提取操作不检查输入是否为
ndarray，但若传入 Python list 嵌套，会先尝试转成数组，可能隐式触发类型转换
np.diagflat() 和 np.diag() 的关键区别
当输入不是严格一维（比如嵌套 list、多维数组、标量），np.diagflat() 会先把它展平成一维，再铺成对角矩阵；而 np.diag() 遇到非一维输入就直接提取对角线。
这个差异在处理用户输入或中间计算结果时特别关键——你不确定数据维度时，np.diagflat() 更鲁棒。
-
np.diag([[1,2]])→[1]（提取对角线） -
np.diagflat([[1,2]])→[[1,0],[0,2]]（先展平成[1,2]，再生成对角阵） -
np.diagflat(5)→[[5]]（标量也被接受） - 性能上，
np.diagflat()多一次展平开销，但对小数组可忽略
生成大对角矩阵时的内存与类型陷阱
用 np.diag() 生成大型对角阵（比如 size=10000）看似方便，但实际会分配完整 (n,n) 内存，不是稀疏结构。如果你后续只做向量乘法或求逆，这很浪费。
真正该用对角矩阵的场景，往往该换思路：用一维数组 + 专用函数代替显式构造二维阵。
- 矩阵乘法：
diag_vec * X.T（逐行缩放）比np.diag(diag_vec) @ X快一个数量级且省内存 - 求逆：直接
1 / diag_vec，别算np.linalg.inv(np.diag(...)) - 如果必须传给要求
ndarray的库（如某些 SciPy 函数），再考虑np.diag()，否则优先保持一维形式
类型方面，整数数组生成的对角阵默认是 int64，但参与浮点运算时会悄悄提升类型；如果确定全程用 float，初始化就用 np.diag(np.float32([1,2,3]))，避免隐式复制和类型推导开销。
