Python 为什么numpy混合基本/高级索引依赖于切片邻接？

我知道以前也有人问过类似的问题（），但恐怕没有人回答我的具体问题

我的问题是关于numpy混合高级/基本索引的描述：

。。。需要区分指数组合的两种情况：

• 高级索引由切片、省略号或newaxis分隔。例如

  x[arr1，：，arr2]

• 高级索引彼此相邻。例如

  x[…，arr1，arr2，：]

  但不是

  x[arr1，：，1]

  ，因为

  1

  是这方面的高级索引

在第一种情况下，高级索引操作产生的维度在结果数组中排在第一位，然后是子空间维度。在第二种情况下，来自高级索引操作的维度被插入到结果数组中，位置与它们在初始数组中的位置相同（后一种逻辑使简单高级索引的行为类似于切片）

为什么有必要进行这种区分？ 我希望案例2所描述的行为能够在所有案例中使用。为什么索引彼此相邻很重要

我理解，在某些情况下，您可能需要案例1的行为；例如，沿新维度对索引结果进行“矢量化”。但这种行为可以而且应该由用户定义。也就是说，如果案例2的行为是默认行为，那么案例1的行为只能使用：

x[arr1，：，arr2]。重塑（（len（arr1），x.shape[1]））

我知道您可以使用实现案例2中描述的行为，但在我看来，默认索引行为中的这种不一致性是意外的，也是不合理的。有人能证明这一点吗

谢谢，

案例2的行为对于案例1没有很好的定义。在下面的句子中，你可能遗漏了一个微妙之处：

在第二种情况下，来自高级索引操作的维度被插入到结果数组中，位置与它们在初始数组中的位置相同

您可能正在想象输入和输出维度之间的一对一对应关系，可能是因为您正在想象Matlab风格的索引。NumPy不是那样工作的。如果有四个具有以下形状的阵列：

a.shape == (2, 3, 4, 5, 6)
b.shape == (20, 30)
c.shape == (20, 30)
d.shape == (20, 30)

然后

a[b，：，c，：，d]

有四个维度，长度分别为3,5,20和30。没有明确的地方可以放置20和30。NumPy默认将它们粘贴在前面

---

另一方面，使用

a[：，b，c，d，：]

，20和30可以到达3，4和5所在的位置，因为3，4和5彼此相邻。整个新维度块与原始维度块的位置相同，只有原始维度在原始形状的单个块中时才起作用。

谢谢-这非常有用，是的，我想象的是输入/输出维度的一对一映射。事实上，我把

np.ix

的广播行为与高级索引的迭代行为混淆了。