如何不用np.delete，通过切片或高级索引高效删除NumPy数组的行列？

1. 能否用切片直接排除指定行列？ #

不行。常规的NumPy切片（如start:end:step）只能选择连续或等步长的索引序列，没法直接跳过离散的、非规则分布的行列（比如你例子里的bad_row = [4,8,12,16]）。如果要排除的索引是连续区间的补集，或许能组合多个切片拼接，但对于非连续的坏索引，单纯切片做不到。

2. 除np.delete外的高效替代方案 #

方案一：布尔掩码（最推荐） #

用NumPy的向量化操作生成布尔掩码，完全避开Python循环，速度比列表推导快几个量级：

import numpy as np
A = np.random.rand(20,16)
bad_col = np.arange(0, A.shape[1], 4)[1:]
bad_row = np.arange(0, A.shape[0], 4)[1:]

# 初始化全为True的掩码，标记要保留的行列
row_mask = np.ones(A.shape[0], dtype=bool)
col_mask = np.ones(A.shape[1], dtype=bool)

# 把坏索引对应的位置设为False
row_mask[bad_row] = False
col_mask[bad_col] = False

# 用掩码直接索引数组
Anew = A[row_mask][:, col_mask]
print('old shape ', A.shape)
print('new shape ', Anew.shape)

布尔掩码是NumPy原生支持的索引方式，底层是C实现，处理大规模数组时优势极其明显。

方案二：用np.setdiff1d生成有效索引 #

如果需要明确得到保留的索引值，可以用np.setdiff1d计算全集和坏索引的差集，同样是向量化操作：

import numpy as np
A = np.random.rand(20,16)
bad_col = np.arange(0, A.shape[1], 4)[1:]
bad_row = np.arange(0, A.shape[0], 4)[1:]

# 计算保留的行、列索引（会自动排序）
good_row = np.setdiff1d(np.arange(A.shape[0]), bad_row)
good_col = np.setdiff1d(np.arange(A.shape[1]), bad_col)

Anew = A[good_row][:, good_col]
print('old shape ', A.shape)
print('new shape ', Anew.shape)

如果需要严格保留原索引的顺序（比如坏索引不是排序状态），可以结合np.in1d实现：

all_rows = np.arange(A.shape[0])
good_row = all_rows[~np.in1d(all_rows, bad_row)]

all_cols = np.arange(A.shape[1])
good_col = all_cols[~np.in1d(all_cols, bad_col)]

Anew = A[good_row][:, good_col]

这种方式既保证了顺序，又保持了向量化的高效性。

为什么这些方法比列表推导快？ #

列表推导是Python层面的循环，每个元素都要执行一次判断逻辑，耗时随数组规模线性增长；而布尔掩码、np.setdiff1d都是NumPy的C级向量化操作，能批量处理整个数组，效率提升非常显著，尤其是数组越大，差距越明显。

内容的提问来源于stack exchange，提问作者KyroHere